求推荐一个一键提取网站里面的URL且根据域名去重复的小...

guys

求推荐一个一键提取网站里面的URL且根据域名去重复的小工具
比如：
0 w3 g' z" F' o) @; ~http://a.com/b
http://a.com/bb.html
能自动去重复

李小冲

1. #region 抓取全站链接
   9 J  ~3 A& j% G6 _% q9 w
2.         public static List<string> GetAllHref(string url)
   2 l1 N+ N& P4 k: R% |! B
3.         {
   
4.             List<string> allHref = new List<string>();
   % n: A7 x2 A4 I  i, U* \
5.             try
   . j( E; S9 P8 t
6.             {
     j/ e9 a3 x( r  m. |. n6 m# V
7.                 string strhtml = soso.getHtml(url, "", true);
   % ~, D6 Z5 J( N9 U8 c- D# j) t( V* y
8.                 if (strhtml != "error")
   ! f# G% R- h5 }4 _! y
9.                 {
   2 Q6 [9 C$ ?6 W
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    ' Q) \" p# S5 _; v
13.                     {
    1 [) n7 z- y( I2 h1 X( N' H
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    5 M+ A, p& K" L2 k
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    1 w3 h7 m  C4 ]5 v0 }( l
19.                             fullUrl = m.Groups["url"].Value;
    9 Q0 w4 _. e# t& Y
20.                         }
    ' x( N6 a9 k! e$ ]  S
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    / }2 a4 O4 D+ ?+ G
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    0 V/ r" q& T  H; a6 X! s
31.                 }
    
32.             }
    # ~9 p% w. d4 ?9 ]) h7 y1 Y! `
33.             catch (Exception ex)
    - x) Y9 X, f- D$ k) w5 I0 Z, o
34.             { }
    
35.             return allHref;
    
36.         }
    ! x$ @5 _% X# Y; R. b
37.         #endregion

复制代码

1. 
   
2. 
   ' p( d& H, {+ c* u# X. p
3. 
   / N$ o' k1 v& r( p/ q' n! z8 m
4. #region 数据去重
   0 q" z! v7 K1 B) v2 J: O
5.         /// <summary>
   4 ?4 Q6 s5 ~( @! Y7 F9 o  ^9 J! f
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   / i& m. d$ `% d  Q
10.         public static List<string> getUnqueList(List<string> list)
    : r0 \* m5 h5 \# Q5 C
11.         {
    
12.             List<string> list1 = new List<string>();
    ! u  y" M+ h3 s/ A) ^+ |$ b
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    - F7 p5 r4 B, f; D3 @
15.             {
    : `; P5 x7 W' o! N" z
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    4 v/ B! h% T" X8 V. x9 ~
20.                 }
    - }4 K. F9 Z+ ]6 x# E$ x2 \
21.             }
    
22.             hash.Clear();
    9 E: F4 G% N: X1 z( O: R
23.             hash = null;
    8 y/ E& O' f! q( `5 a" y+ `, Q
24.             return list1;
    
25.         }
    1 F- N$ `- V& l3 @/ `8 z4 }
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

& L! R) i6 w" h" L5 u6 I十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
十分感谢！！！非常感谢！！

缺少一个gethtml,用下面这个：

1.      public string getHtml(string url, string charSet, bool UseUTF8CharSet)//url是要访问的网站地址，charSet是目标网页的编码，如果传入的是null或者""，那就自动分析网页的编码
   
2.         {
   
3.             string strWebData = "error";
   
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   
8.                 //有的网页可能下不下来，有种种原因比如需要cookie,编码问题等等
     w; F1 J2 ^- L# Q$ o
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   
10.                 // webclient.Headers.Add("Cookie", cookie);
    4 q* v: u+ S: w1 J
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    5 f" O0 u/ e: i, t5 A  N2 p
12.                 myWebClient.Headers.Add("User-agent", "Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)");
    5 f7 E1 k, M8 W8 {
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    / F. i% \; [; y( X: I
14.                 //获取或设置用于对向 Internet 资源的请求进行身份验证的网络凭据。
    + c; |: k+ L! @5 R/ G# w
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
18.                 //myWebClient.Credentials = mycred;
    
19.                 //从资源下载数据并返回字节数组。（加@是因为网址中间有"/"符号）
    
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    % T) z  c2 K& T$ i# }
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    
23.                 //获取网页字符编码描述信息
    9 _5 W: Y2 s) o  s" W. a% w
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    4 d9 C% Z; N/ V# g2 R7 o5 @+ h9 B
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    ( S; p$ _6 Z! p0 M
28.                 if (charSet.Length > 0)
    
29.                 {
    # w! |3 F! f% P* I" ^
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    3 a/ [0 W- ?- b  O
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    ! P0 |1 u, d0 _9 Q& U. r. T
35.                     {
    
36.                         charSet = "utf-8";
    ( Q/ ]+ k5 `' \4 r5 I3 p# J
37.                     }
    / m  m2 U4 Z% O9 y5 `
38.                 }
    3 s! `0 M& S) p! r- p, ]; b; n
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    : y5 g6 G; s& Q/ K: C  P) m, _1 X5 S$ L
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    ! G% y, F8 X  N
43.             catch (Exception)
    6 o# T3 d/ ]; p: N7 A
44.             {
    ' T! ^2 z4 t+ e+ B6 [: n3 a9 c, ~
45.                 strWebData = "error";
    1 B% d; O$ c: g. L) W' ?: h
46.             }
    4 b, ]( X! N" i" ]/ N& Q; |, y9 `
47. 
    
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane