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：
$ L/ K  J; a! {& N+ Whttp://a.com/b
http://a.com/bb.html
; ]" l/ I2 ^8 E" T: X% K+ R5 a& _+ C能自动去重复

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   $ N3 S: S/ L9 L' C: _/ Z
5.             try
   ( G' v4 g" O* m( d. u1 h- v( D5 a
6.             {
   ( K7 p8 W+ _, V+ ~3 Q1 S0 m( n
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   ) B: o" t$ P/ O6 ]
9.                 {
   - l+ R) s, {; w# U0 L
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)
    " G5 u) \. z" L6 b1 q6 L4 {
13.                     {
    / t: B$ r- c; i
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
      x5 l! p) A/ g2 c
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    9 ]# |: M* o: _! n
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    $ N5 }1 e) c: h9 v3 n
20.                         }
    4 f. b+ p: I, o( o
21.                         else
    + Q7 J* G! L+ _- [) W8 W* X
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    % k( {, i4 H# I9 n/ _
25.                         allHref.Add(fullUrl);
      e+ Q8 s  ?8 N: M
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    2 Q% `0 ?! ~' l  N6 S
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    $ J8 ?  G  v4 h2 R2 {" Y" [2 J% {* B% Q
29.                         //Console.WriteLine("…………………………………………");
    & r5 \8 R3 E& w4 T0 F; l! ~/ V+ b' Q0 f
30.                     }
    
31.                 }
    $ I) G- ~7 z( ~) s( F0 V  ^& m
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    7 I8 a. \' J1 \3 t
35.             return allHref;
    
36.         }
    ( M- T" F; n; ~/ d* G. O2 q, C
37.         #endregion

复制代码

6 e& N, n7 K6 H4 m

1. 
   
2. 
   9 }* l% l. {( |$ S3 N$ d
3. 
   
4. #region 数据去重
   9 A/ M3 }1 O9 D! G  k' v6 J
5.         /// <summary>
   % g4 G! @6 m& o3 t3 B& K; r
6.         /// List<string>去重
   - m- `/ d: x+ P4 {* N$ A
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   / p( Q( M4 K& Z/ x9 i8 p" w
10.         public static List<string> getUnqueList(List<string> list)
    & D" u1 V0 x0 s# C  \4 Z0 F
11.         {
    2 o, B5 n5 l$ a+ U
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    6 n3 Y# S" I, G' h3 X
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    $ M" V, u; D, \. X  U
21.             }
    9 q2 M+ p+ _& P7 t4 M
22.             hash.Clear();
    ' L! i9 V" Q( ?; j* W7 O
23.             hash = null;
    / E4 Z5 |  y3 t0 i3 D; z3 o
24.             return list1;
    . m% N' F+ G$ N1 f7 g: w
25.         }
    . g/ F9 {! y- K! ^' `' S8 z
26.         #endregion

复制代码

( N4 M4 ^) x* M

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！！

! R' [" ^6 i- g* r1 M缺少一个gethtml,用下面这个：
$ U$ S/ {6 V1 h. ^* s" 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.         {
   % ]( z& i* u- A. ~* \
3.             string strWebData = "error";
   % w# |9 [  A; B+ G: I5 F, w
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   7 I) N& C! B' k6 [  k
7.                 // 需要注意的：
   " c  P6 _2 f' ?, B# W1 c
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
   : B% @1 ?1 N" T/ N
10.                 // webclient.Headers.Add("Cookie", cookie);
    4 F$ g5 Q( m5 i1 d
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;
    / x: y+ E& P* V1 _; B/ j- P$ n
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);
    5 |7 g1 F- o! G3 f
22. 
    
23.                 //获取网页字符编码描述信息
    9 n: `; c  P" h$ t  _
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    0 e: q2 R& [1 k) z- K
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    , ~% e- t0 K0 v6 R9 s" m2 o
26.                 if (charSet == null || charSet == "")
    8 F# h6 [2 @+ N/ U  D
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    ) E2 R3 y2 o. b+ a- v3 S. W( [8 ?
29.                 {
    4 N8 y$ {* G" V9 _& S" W% L" w
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    9 Z* S) A% ^) k' X: I
33.                 {
    $ g2 X# r1 M& G3 f& g. ~
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    , B" J& H2 G1 L+ A$ ?
37.                     }
    
38.                 }
    / o( d" E; D: \5 b/ b& ^4 w* |7 S
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    1 w" ?2 l2 K0 H5 z1 P
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    # N: P  z. A6 G2 O/ U, i
42.             }
    
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    
46.             }
    
47. 
    4 u" ^0 X/ Y; D0 x
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane