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：
http://a.com/b
http://a.com/bb.html
/ v& P$ Q# j% s能自动去重复
) U4 n, e9 s5 R) Q8 T/ m& [3 ?8 X

李小冲

1. #region 抓取全站链接
   / u; m/ C4 E7 u% J- V7 @! c' I$ z, W
2.         public static List<string> GetAllHref(string url)
   4 z% g6 `( L, S1 X& V: s$ s
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   $ T% Z+ ]0 B, h/ S; [7 F+ U
7.                 string strhtml = soso.getHtml(url, "", true);
   ; l5 H4 k3 w) c# _
8.                 if (strhtml != "error")
   
9.                 {
   
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)
    " ]& ]3 j( j" X* z
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    + z( f5 Y1 Q9 }9 A( y6 {+ |
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    : ]6 {. x+ g& O! \9 `
22.                         {
    * |2 Z0 ?9 j& B$ M
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    / u' ]! Q) X& U
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    3 Q% N4 v  T- Y( {$ ^
29.                         //Console.WriteLine("…………………………………………");
    / W( N# H, z$ r% U# x' H
30.                     }
      x' O4 D7 d# \
31.                 }
    3 H- v; M. Q0 `2 ^: B0 ^
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    . z5 n% j" A9 y
35.             return allHref;
    / W* w# D8 X4 Z) k+ n- B# |5 t% ~
36.         }
    
37.         #endregion

复制代码

1. 
   4 H5 B9 q. z% U
2. 
   
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    + z' k! [7 E+ {; x
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    5 M7 c' T$ v( C
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    7 A( O# e5 _- y7 {/ P' A
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    + {5 s! b: Z" E0 x
22.             hash.Clear();
    
23.             hash = null;
    ; v3 o+ y9 D. j$ P
24.             return list1;
    2 X( N/ H% M3 d5 w5 L2 L
25.         }
    
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

% `, L/ H7 s6 Y/ ~% e+ q2 z. \十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
3 p/ s% F; }+ e, m- ^# k4 L十分感谢！！！非常感谢！！

缺少一个gethtml,用下面这个：
" q8 S9 J/ D  t5 v5 M  o

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";
   8 E9 C( q0 O! X6 E: s3 T4 Z4 i% w
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
   
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);
    2 \% q) I) N3 z& ]! D# R; R
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    - ]* `. e) A* h0 K. t. o! j7 j# A
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)");
    - `. O1 _2 E8 b1 @6 E! X4 O; v
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    , ]# U% P. ?: q. N- O
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。
    % j2 {" W5 F! v6 T! a4 h8 t
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
16.                 //如果服务器要验证用户名,密码
    1 V) ?1 B) r  \
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);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    
23.                 //获取网页字符编码描述信息
    
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    ! y) V% @" F/ J+ q; @5 s
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    * n4 j( i7 v' L. |7 z! [
26.                 if (charSet == null || charSet == "")
    ) z$ b# B6 s% s8 L
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    7 Q9 f( @  j# c" ]# D
34.                     if (charSet == null || charSet.Length == 0)
    ) Z; E; Y4 I1 [/ H
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    ; E/ A/ {( A8 M; r
38.                 }
    / J5 R8 y0 Y: e# o+ `9 \
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    % j0 W$ Z/ n2 ?! x# H9 Z
42.             }
    5 G; Q7 ~1 q- Q. w( S  M
43.             catch (Exception)
    
44.             {
    ; O5 O# V. j  m1 m" U
45.                 strWebData = "error";
    
46.             }
    
47. 
    9 f0 d( R  Y' D5 h: `
48.             return strWebData;
    
49.         }

复制代码

8 S3 H3 x0 ~* I( L( l: _

PowcAncn

weishaneweishane