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
0 H# t( Z% G% u5 |& F* X  n能自动去重复
2 V; B; k" ?+ ?3 F

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   
3.         {
   # H4 }: w/ T* k2 E! `* D/ O8 M
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   % T1 Q7 K9 H% ?* y  w: v$ Q4 D& G
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   $ b+ P0 R4 W: \9 z  A  N4 U
9.                 {
   9 H6 ~* |' w* z; Y" E2 d! R* v+ K+ @
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    3 H$ w' ^- B; E, }. u/ ?
11.                     MatchCollection mc = reg.Matches(strhtml);
    5 z, X# B$ C  Y# ^$ ]8 J
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    4 Q5 f* B( l7 |% r3 {; Q5 e
16.                         string fullUrl = "";
    - v" ?% e. `2 |5 p$ x: o
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    * m: [# N/ S6 o7 N1 C0 j, }
19.                             fullUrl = m.Groups["url"].Value;
    " G8 X6 }) H/ F- j
20.                         }
    * k# ~" m4 x2 z8 T
21.                         else
    * ]5 U8 l) ]3 h  c# _2 c
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    / J+ U, B$ t, b
24.                         }
    
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    ! m3 I$ R: j* W2 _/ }
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    - {0 I$ d  _6 r( Z2 T
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    ' }  e& T! ^, C# `
30.                     }
    % H; C- a$ e+ T4 R) r' H5 k
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    , B0 d: k( T8 f% a! i3 H* f
36.         }
    
37.         #endregion

复制代码

1. 
   % y0 M0 H: E+ e
2. 
   / I# i- P* x  B
3. 
   
4. #region 数据去重
   $ b: f, M! U/ ]; q: z& @/ K
5.         /// <summary>
   
6.         /// List<string>去重
   9 Q7 D: t2 k0 U. o
7.         /// </summary>
   
8.         /// <param name="list"></param>
   7 C5 s$ R  w# y9 {  v. m
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
      q% j8 ]2 U) m. u& Y1 f/ q7 }( W
14.             foreach (string s in list)
      p4 z. r; v2 \9 J
15.             {
    
16.                 if (!hash.ContainsKey(s))
    & Y& ?, X% P% T3 c: J, @
17.                 {
    
18.                     hash.Add(s, s);
    ) C% S1 d' s. ]) W, }# \
19.                     list1.Add(s);
    , z  N( G5 O  U' B
20.                 }
    
21.             }
    6 c$ p" Z: q2 |
22.             hash.Clear();
      Y" T5 f2 _* d" M$ z! ]
23.             hash = null;
    / Z6 A5 l  x5 B/ v2 b. G2 x
24.             return list1;
    0 P7 r% E9 R' s& E8 v
25.         }
    
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

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！！

3 [0 k0 x8 H5 e2 q缺少一个gethtml,用下面这个：
6 [8 C' a2 M/ T% [2 Y/ R

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
   , H( C6 b# u* A  `
2.         {
   
3.             string strWebData = "error";
   
4.             try
   9 h: l, ]+ Q& \. Q( _4 ^
5.             {
   ! M* R+ l! u! c. Z6 F/ U. f
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   : Z7 x( T% G$ E- z
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
   / b8 g6 F2 q+ z& q5 }
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);
    , _! w0 |+ j/ I% L4 `1 |
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    
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)");
    
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    
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。
    
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);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    ) C1 ]2 k# u1 H, ~: K
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);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    + d, w% A. t) Z, G! @; d
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    ) k: Z# k- x6 f* f
29.                 {
    ' X- f  Q' D) S* [& z
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    * E9 _9 d+ Z$ k. B8 K
32.                 if (UseUTF8CharSet)
    7 T$ l4 R% p3 I/ l' J" p2 @
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    ! E+ g/ ], Z- C% A
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
      s2 S# A1 U( F" Z3 l8 m* i
41. 
    
42.             }
    - Q7 s8 E0 a9 d% ^! C' @
43.             catch (Exception)
    ) w; l( \4 T0 W
44.             {
    
45.                 strWebData = "error";
    
46.             }
    
47. 
    
48.             return strWebData;
    ; G1 k; o8 {3 W9 y- @' ?4 z
49.         }

复制代码

PowcAncn

weishaneweishane