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
# `2 X* L* l; Q# E# v% j2 I' p8 xhttp://a.com/bb.html
6 @2 L. {( C- J$ c0 R7 W能自动去重复

李小冲

1. #region 抓取全站链接
   $ m5 b7 L% }9 S7 |, ]* M# f
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   ; s1 `$ U4 _4 r1 U! d$ J
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
     U6 Z% O6 o: [) P3 h  {
9.                 {
   4 b* {  Y, j5 X5 R0 O" H7 c
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    , I! G5 r/ f% R. K
11.                     MatchCollection mc = reg.Matches(strhtml);
    ; E+ F6 R# [( A6 x& G0 ^
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    5 b' ]( l  H$ I5 f/ `% |; {1 r
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    * \7 U0 ]0 d0 h4 T$ a: Q9 c2 V
24.                         }
    
25.                         allHref.Add(fullUrl);
    4 F' k* ^7 n7 m, K
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    6 E$ P% l& y; ~
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    4 c, [& ~8 M1 r7 F: N
35.             return allHref;
    8 |( x8 r1 ]/ t& s  G. A4 g
36.         }
    5 y; @; B. B8 g6 j3 L  Z
37.         #endregion

复制代码

1. 
   
2. 
   
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   9 t0 X! x1 A* T
6.         /// List<string>去重
   
7.         /// </summary>
   4 Y. |6 H8 E: G$ i3 q- M- x& E6 Q
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   / t5 m% E8 u" [. ?% F( ]
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    : M# \+ e) h+ W9 a6 P4 U# g. t
12.             List<string> list1 = new List<string>();
    4 X0 j7 q) K% w$ @* y5 g& ^7 K( S
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    ' m" E8 O; {- P
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    . V7 I4 r8 ?5 b- q  d6 v6 W
18.                     hash.Add(s, s);
    ( D& }. ?0 Y) A  Q- C3 ~
19.                     list1.Add(s);
    6 T+ R4 q9 X" k! _7 @0 t, v, l& q
20.                 }
    
21.             }
    
22.             hash.Clear();
    2 O  W' _' l+ p8 z: G7 k) p
23.             hash = null;
    6 {) J5 C5 P0 M6 |0 `
24.             return list1;
    8 o% ]) F" \  E0 _, C6 Z* I
25.         }
    8 F5 [% U4 o7 A/ _, U6 ~
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！！

缺少一个gethtml,用下面这个：
: T  c) e& t* s% i4 {6 b1 W

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";
   . O0 O. P/ X' F" m/ d% k- X/ Q. [+ F6 b
4.             try
   
5.             {
   + _- B4 B9 n# J, ]* `& x
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   ; I2 F1 H( k" `* W$ W4 }' L  O4 t
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
   ( l2 R$ S5 c& d* @
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)");
    . f0 H& L5 m- D0 R. P; O
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    2 @$ M; G0 A9 w+ O3 _
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。
    2 {6 b% G" i% W. M* }
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);
    $ h! _; m3 [- Z8 A. H; d
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);
    $ g5 }2 g8 a. n+ ^; n2 ^4 U( \: n, y
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    0 c$ z5 j4 B1 y; d! q
22. 
    ! }1 J6 v4 A. D+ h* G1 K3 |( ]1 K4 _
23.                 //获取网页字符编码描述信息
    $ M6 J. w3 }8 }/ p
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    ; z3 M3 F- D+ s7 t9 e" K. K! C6 M
26.                 if (charSet == null || charSet == "")
    0 T1 R" A# Q. }$ ?
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    , q; A. o9 R! z1 r2 z$ ^+ v
30.                     charSet = charSet.Replace(""", "");
    7 ?1 B: `: G# ^
31.                 }
    ( I2 p5 Y' T& A& n- Y
32.                 if (UseUTF8CharSet)
    ' b; ^; h$ L. ]/ Y
33.                 {
    6 W/ f! R4 L1 `, D# U
34.                     if (charSet == null || charSet.Length == 0)
    4 H* ^+ i, q. s) ^8 i% l( }
35.                     {
    
36.                         charSet = "utf-8";
    * G$ e6 v, F, e, [
37.                     }
    / F6 s( C" P* N, w* f
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    8 d, R9 h3 `& |& r' q) a
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    2 P8 {1 A- q' a% ?
41. 
    
42.             }
    
43.             catch (Exception)
    3 d4 H2 G' I$ f6 ?9 z* p9 ^
44.             {
    
45.                 strWebData = "error";
    : K" D# e0 ~+ s" e
46.             }
    1 E5 |* [) N3 A' q! l
47. 
    
48.             return strWebData;
    4 ^2 e' T! l* d+ d7 [) e& r
49.         }

复制代码

  S/ p5 p8 A! f) p3 L1 K4 Y2 ]. G

PowcAncn

weishaneweishane