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
* {3 v8 x" a% i' {. S: R% |* @8 ]! [& vhttp://a.com/bb.html
能自动去重复
* u) g: `9 w# W% e  `

李小冲

1. #region 抓取全站链接
     i+ o; ]  j& d5 K3 y* q
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   ' C9 w4 ^3 U5 ?: W% Z. G& Z
5.             try
   1 L& D+ M& b4 P* h
6.             {
   & l/ D7 p7 |  V5 h
7.                 string strhtml = soso.getHtml(url, "", true);
   / w5 U; f: n2 i' z+ f
8.                 if (strhtml != "error")
   
9.                 {
   & S# S- ~! t) N, s" G* X; {$ m
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    ' Y4 z7 i$ |2 U3 i# ~& T3 o5 m9 S
12.                     foreach (Match m in mc)
    5 E! i3 @3 X& E! H1 c* f' v
13.                     {
    % H  b0 R% m' i; q, X
14.                         Uri uri = new Uri(url);
    . y3 j" _# ?6 R* k1 i" q( p( R6 ]
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    : H. D) w2 A# X4 U1 T  I0 r
16.                         string fullUrl = "";
    - t  Q0 G" o& a' w  T2 W4 O6 P/ g
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    8 ?% x( r) E8 P2 r
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    - H7 J% w8 g& O& @: W. g: Y+ ^9 O
20.                         }
    
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    % _, c4 L0 F  E5 Q) o
25.                         allHref.Add(fullUrl);
    . L  L, n, o/ {8 a& @
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    : h- N% I' A  L* z
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    0 s! J0 {1 |0 ?! x3 P4 h
29.                         //Console.WriteLine("…………………………………………");
    # ]6 v) ^- h: o7 n. a# |& d8 b! J
30.                     }
    & K( q1 O4 G/ s5 a1 w+ y! {' y  }
31.                 }
    ) t% S; W' Q2 s- s7 M
32.             }
    ' L2 i2 E+ L7 ]* u
33.             catch (Exception ex)
    
34.             { }
    * b" x+ ^! t6 ^. `1 a
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

* P/ z& s# Z4 j5 M/ P- e9 t

1. 
   & s% h7 H$ X: ]+ C$ j
2. 
   ( Z4 b3 f; g; }: N2 n5 B' {# z
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   ) r9 U4 F1 `5 s
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   , D7 E. ?/ M4 _+ o( z' q. Z& F
10.         public static List<string> getUnqueList(List<string> list)
    4 z  ^; C! J" O! I& Y* f8 s
11.         {
    
12.             List<string> list1 = new List<string>();
    4 E$ P/ ]& t, {9 A# q* z5 ~
13.             Hashtable hash = new Hashtable();
    % D. o4 X+ Z+ p! D# ^9 R- P
14.             foreach (string s in list)
    
15.             {
    ' O+ s" `5 z( w: f' ]- Z! V
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    % [* R+ P0 X/ I6 ]( P
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    
25.         }
    ' i$ n2 s+ t" x* l. _: k' _
26.         #endregion

复制代码

  M: S' L3 U& h6 Y

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！！

缺少一个gethtml,用下面这个：
/ D. t! p" B( M9 ?% {

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
   - l1 b2 ?# d7 B7 v. k. o5 H
2.         {
   
3.             string strWebData = "error";
   / u" a1 z4 S* O( A/ v
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
   ( y6 U! _3 I8 X( p) l5 Z, D( R
10.                 // webclient.Headers.Add("Cookie", cookie);
    
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    7 [6 |/ B% D! W7 E
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)");
    0 k) `" @7 A2 u+ q
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;
    - V6 e  }, c' h
16.                 //如果服务器要验证用户名,密码
    / U4 I) U4 N. H& v
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);
    : w/ u* W9 |9 P$ D/ }  `. G
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    
23.                 //获取网页字符编码描述信息
    8 Y3 h/ L1 X  b0 p) b
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    " w, x: d) `8 T! i6 |+ g, e$ l
27.                     charSet = webCharSet;
    % R0 k; C5 `- K' j4 S: \, `
28.                 if (charSet.Length > 0)
    , v5 ^2 x' o6 C, x) |7 ~9 E
29.                 {
    * e/ i/ v: u9 e
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    . E0 N8 Z, z  x8 ^1 @4 m  `9 W
32.                 if (UseUTF8CharSet)
    " u  f! J. r$ q1 p- W* V
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    ' @! B, `  s# v& v5 Y# N$ k
37.                     }
    + {  d3 b- e7 Z/ g- o) \
38.                 }
    6 r8 `' U* I- a2 a7 }# r
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    ) V  m0 i' T3 n9 f: p6 `2 ]2 v
41. 
    
42.             }
    ; s9 c9 K" d% P
43.             catch (Exception)
    
44.             {
    % }3 ~1 B8 N' o6 w0 f3 L
45.                 strWebData = "error";
    
46.             }
    
47. 
      u. ~6 s  _4 Z2 l* V- }0 m+ e
48.             return strWebData;
    6 T2 o, v+ `2 P# @
49.         }

复制代码

+ T. |% \2 O! F  n- i+ @! H- k

PowcAncn

weishaneweishane