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：
: W  X) y0 F9 l7 h" whttp://a.com/b
http://a.com/bb.html
能自动去重复
) _& ?4 r6 j, ?. P! E

李小冲

1. #region 抓取全站链接
   ) _+ F" G6 V: n3 R4 y
2.         public static List<string> GetAllHref(string url)
   1 E1 Z0 {' C2 p1 _) z, `6 a; F
3.         {
   $ @- ^2 S! }; Q4 \& r
4.             List<string> allHref = new List<string>();
   0 U% I+ y+ V5 Y/ s" U" X! M
5.             try
     D8 q/ O3 x4 j% J
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    ! z/ P6 @; ?" V" n4 n, ~" _
11.                     MatchCollection mc = reg.Matches(strhtml);
    : r( C1 T4 ^% I3 Q
12.                     foreach (Match m in mc)
    ; Q6 Q2 G/ p; l' r* i3 d, ~
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    6 \+ B8 Z1 d6 ^. w
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    ; l- ]* m$ M; [6 ]2 N1 N) ?2 r
22.                         {
    - h" E. h; N  E+ J# \9 q
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    4 u; e: I$ @0 e! u8 q! g2 e
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    2 Y- ^7 k8 s. f. U2 J7 q& M
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    7 }7 h6 H! C4 N& x2 s
30.                     }
    
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    ( r. N$ E! E, ?) [/ p6 y
34.             { }
    
35.             return allHref;
    
36.         }
    $ I8 f1 x" }' m6 M4 V, x" ~/ Z
37.         #endregion

复制代码

% t" Y& \7 B8 y

1. 
   ( j9 p8 u6 z1 D2 l' H  o- e
2. 
   
3. 
   
4. #region 数据去重
   7 p4 K4 J: l5 f8 f5 ]9 W, `5 U
5.         /// <summary>
   " d" }; ^3 ?2 J) g( G
6.         /// List<string>去重
   7 K1 A* {7 x0 C% t
7.         /// </summary>
   0 P( r6 ]; W( e+ v
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   . U/ k5 U/ A6 C4 U: {/ F3 l
10.         public static List<string> getUnqueList(List<string> list)
    / S( N5 l% I( W& g' H
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    4 c" D9 v9 R8 j/ S7 X3 Z
14.             foreach (string s in list)
    
15.             {
    6 S- S: q9 ^6 K7 ?; L. u
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    " q$ f4 N' S$ J& `1 W  c: g
18.                     hash.Add(s, s);
    3 s6 Z3 s( R& i" [# c# m; X
19.                     list1.Add(s);
    
20.                 }
    4 h) p/ @; j4 H6 k& Q, [1 \' m
21.             }
    ' x# k; B! G& g! V; T
22.             hash.Clear();
      I+ U/ U/ s. u% Y
23.             hash = null;
    ; I8 e6 X5 i, z; A0 z& o/ d
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

7 G& S9 L& s; R% m) t0 ~

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
* `/ f2 `( y- ?2 l: i- V+ p十分感谢！！！非常感谢！！

缺少一个gethtml,用下面这个：
# M; Y& x3 x# m# A- q/ c" u! b  o- P

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
   1 \& y/ a- z3 @% L' }/ ?
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   * a% Z- F5 H8 V, i9 v" k+ v  `! S
7.                 // 需要注意的：
   * j) E! s: y* E$ [# j
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
   . L" l6 @0 B1 ^: w  j- T. h1 A. n
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   5 b* m8 P7 X3 c, M0 O
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
    
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)");
    " R$ C. b/ x$ a* w
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。
    ; C7 B' I# y7 e" O; Q7 ^$ J) h
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    " h5 ~6 \. t% p, U3 y0 h
16.                 //如果服务器要验证用户名,密码
    * p) g2 {: G- a/ u4 b
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);
    4 f; Z1 y+ B; S3 t2 x+ t
22. 
    , A% u6 [5 U& \. O* G! {
23.                 //获取网页字符编码描述信息
    ! G8 b( ]* c7 |( W
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    6 F, s- `9 Q7 W$ M5 z9 {
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    8 j3 J' n; \& b! }; K4 W2 A0 O
31.                 }
    1 O3 i  u) K* k$ Z
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    ' J8 u& P5 F/ _
35.                     {
    
36.                         charSet = "utf-8";
    ; Y) \, h' K7 @. w- G
37.                     }
    
38.                 }
    & J# {' p% _' }' o3 N
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    6 b1 l' T9 d- w9 n+ H7 t4 v3 {
41. 
    
42.             }
    4 A+ A- P. g  F' j8 q. w9 h% X! M
43.             catch (Exception)
    9 f% W7 u; t1 F( Q7 x* X$ R
44.             {
    
45.                 strWebData = "error";
    . p( `& X; c0 G% [+ p+ t- ~4 l3 ^: e
46.             }
    6 B* Z% |# y0 W5 `, \3 E
47. 
    
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane