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：
. g1 ]# r1 u, Z8 R+ Jhttp://a.com/b
http://a.com/bb.html
1 |8 i# A1 `1 F" W/ [; P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)
   " k5 C3 z1 u$ i& g
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   - L1 @" l* G; {- t3 \$ \
8.                 if (strhtml != "error")
   & S$ s( R  j7 I( |6 Z' |, a
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    ) I1 i  I" n( Z( h
11.                     MatchCollection mc = reg.Matches(strhtml);
    9 d& b& I+ r$ V7 p. M
12.                     foreach (Match m in mc)
    
13.                     {
    0 l8 _( Q; K, H. j$ s2 J2 M
14.                         Uri uri = new Uri(url);
    - q/ h$ V* [% C, _0 h. W8 k
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    / J1 j2 g' G0 a. y$ E1 w, |
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    ; D: s; B2 N9 }& z- p: v! `
18.                         {
    8 [* {' @/ ]7 {7 p. s% }2 ~
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    8 y5 T' x6 }: F) @- C! X# y
21.                         else
    , K7 j$ p- l1 N4 P3 n3 e; `$ A
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    6 ^$ S8 y: l6 q. j2 q
24.                         }
    4 y& [8 q$ r% u8 @4 u( c; d! i4 z* ^
25.                         allHref.Add(fullUrl);
    0 n- ?, T- v; s# Z! B+ W
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    & m+ L! w  k% E2 n! ]
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    ( V) w+ |4 v" F/ U# [2 ^
32.             }
    
33.             catch (Exception ex)
    $ T; p2 m7 R! j- M: s! {) ~* w
34.             { }
    % v4 ~1 F0 A; u0 y  J% B
35.             return allHref;
    
36.         }
    1 Z1 ?1 d; I8 x, L  E  |5 v
37.         #endregion

复制代码

7 P; p, A  c7 T5 w* J

1. 
   
2. 
   
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   8 N! N) w* }2 \: k5 g
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   & F) g4 S4 o5 V0 m* Q/ N2 N2 d
9.         /// <returns></returns>
   . i2 l$ L6 s- ]  z/ {! l$ ~3 h
10.         public static List<string> getUnqueList(List<string> list)
    + e) X& W1 G; k4 O/ O5 ~
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    & ~+ d% b! n' c* P! P8 Y0 b5 u
14.             foreach (string s in list)
      x- Z* W" n! R& V5 b( f
15.             {
    . r) y$ Q9 ]$ E* z( J3 x
16.                 if (!hash.ContainsKey(s))
    6 u- w9 D9 w" d4 P" v' _8 f
17.                 {
    # k- U, X8 t/ o$ d3 s+ D
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    + Y+ |; C$ I% K% }" P
20.                 }
    , g+ [/ L; b4 [7 B6 h4 c
21.             }
    ( A' i4 H! \! Y- ^) B6 R% ^6 W
22.             hash.Clear();
      J: X0 ]) G, b$ s+ \' h
23.             hash = null;
    % t& y. P/ R9 ]9 f! l4 @8 A' |7 J
24.             return list1;
    ! Q* N: ~8 c9 {& a
25.         }
    
26.         #endregion

复制代码

( n5 B7 S# c) k# T

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
. L) m) H* n' h% q: x$ \十分感谢！！！非常感谢！！

+ M$ }% y* e, ^2 v* x! n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
   ; u: h0 X0 m5 Z6 y9 y1 u$ L
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   3 B6 ~% e; P8 V& o5 d' u
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);
    $ ~" f& ^- i0 |  l
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    # l0 s  k! E$ s
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;
    / I5 j- y: h4 U9 \7 M, V0 f
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    ! I' C! v4 j+ f% t. t. H' _1 J% x+ L
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);
    : N8 J; `- d! T% _6 k7 R
22. 
    ; o5 n0 ?  G7 Q
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 == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    # ]3 M. t: e: m& K+ k
31.                 }
    9 N3 b' T, x2 `3 y: S: `
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    1 k8 S$ \- P8 g6 O) l- m
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    , g# T$ [+ @- P
38.                 }
    % [: n9 ]: L  m  P6 ?3 J/ a+ q" ~
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    ; k$ y$ e- k9 `* U
41. 
    3 U( Z# f( J. m# A8 C) d0 H
42.             }
    
43.             catch (Exception)
    . G' G4 E1 ]" ]2 P/ `
44.             {
    
45.                 strWebData = "error";
    
46.             }
    
47. 
    
48.             return strWebData;
    
49.         }

复制代码

2 |3 Z+ K$ J* y* g. w- N7 I  s- s# q

PowcAncn

weishaneweishane