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：
. O2 X& e$ D% f% V1 fhttp://a.com/b
http://a.com/bb.html
能自动去重复
9 j; n1 c& B9 }( _' n

李小冲

1. #region 抓取全站链接
   : G: B+ Y" {# E  R( L
2.         public static List<string> GetAllHref(string url)
   2 R( \& S2 r% q& U5 l" g. ^
3.         {
   3 s# F- ?# M' _, ?2 y% L
4.             List<string> allHref = new List<string>();
   
5.             try
   & p0 o+ M* [9 {
6.             {
   $ ~  l/ k- V4 P1 R
7.                 string strhtml = soso.getHtml(url, "", true);
   $ \( i/ \3 B- r/ t
8.                 if (strhtml != "error")
   
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    4 U/ f# [6 U3 _% y) x1 n
12.                     foreach (Match m in mc)
    
13.                     {
    0 a1 s7 z6 n4 V9 L, |* Z
14.                         Uri uri = new Uri(url);
    ) g' W9 J* X3 A
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    6 ^# B0 j1 G2 p- R; C. W
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    , G- e! e0 L5 K" C. O
22.                         {
    0 o3 o! f% U& c8 k( R7 a
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    $ i7 k( A+ U. z) g
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    / k8 Y- x$ f& d( U( _
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    2 t2 E3 D+ q% |9 p$ o
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    $ G  e, D9 N2 U  Y' E5 ~
32.             }
    - F; q  G7 q: A4 H# C
33.             catch (Exception ex)
    + Y: w- P3 b3 p) j3 O% A
34.             { }
    
35.             return allHref;
    ( H6 C% H- r( M9 W
36.         }
    * z0 F4 R/ r% F; f" M0 I
37.         #endregion

复制代码

2 e+ U2 Y5 T9 n0 n# n3 `5 m; l

1. 
   
2. 
   
3. 
   
4. #region 数据去重
   ' x) w  t4 d+ C# d2 F
5.         /// <summary>
   . q0 r( G' @/ k- ~% T
6.         /// List<string>去重
   ' S, [1 f$ Z3 f8 E! A4 b; ]+ {
7.         /// </summary>
   
8.         /// <param name="list"></param>
   9 P6 N7 `# ~+ w' _
9.         /// <returns></returns>
   $ R* e3 K/ @% v1 A$ h  t# i7 i
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
      ~7 l7 C  k% Y4 z4 ]& T
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    - ]4 o6 V; Z3 e# U4 A
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    , l4 X. H: L; _, A
18.                     hash.Add(s, s);
    ) p$ ?7 \- _  B) t* @" P
19.                     list1.Add(s);
    
20.                 }
    ! z$ b1 m4 e, r6 X1 y5 @7 F+ l
21.             }
    
22.             hash.Clear();
    / |, S3 h3 U* ?/ {
23.             hash = null;
    
24.             return list1;
    7 h1 y: @: m$ e
25.         }
    9 q/ h, J. v# c/ o! p" W! W
26.         #endregion

复制代码

* i% M8 c$ ^2 @6 o" \

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
9 w$ i1 T# D5 X# R9 r十分感谢！！！非常感谢！！

0 h3 c# t# S& m2 g6 f# ^' U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
   ) w. v$ |- T, {- V+ C5 u0 v
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   4 B6 u7 ]* I8 x" b; N; I  U# W
7.                 // 需要注意的：
   % t# U1 k' C3 b9 w
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);
    
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。
    & B2 U) d' G" l- e7 @, ]$ C) ]6 f
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);
    / p. l3 U/ J  L) t  o: Z2 k
18.                 //myWebClient.Credentials = mycred;
    5 Q5 C% d& I. a; P' r, x
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）
    6 F$ N1 G; E0 s" V5 h* O
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    ! ?3 N" M+ q) v; g/ x9 _3 M9 c
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);
      N; i$ o2 b( S) M$ l% L) }
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    0 z  g/ w/ Z- E  I6 }9 n( Z3 J4 h: \5 ^
26.                 if (charSet == null || charSet == "")
    + r0 D# ^3 Y2 h! o4 W  M0 G
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    $ H. H! c5 V- ]5 _) P- H
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    , z" P1 c, Z2 _2 _3 c+ y6 h; L
32.                 if (UseUTF8CharSet)
    
33.                 {
    7 v4 ?" e' E# L/ [
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    2 T/ Z4 ^) K$ S# p% ~; X  v) z
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    : u; A2 Z1 `# |" d* p& |. @, ^6 k) S6 j$ h
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    
43.             catch (Exception)
    ! k( V, O8 e4 V  B" B3 \
44.             {
    
45.                 strWebData = "error";
    
46.             }
    
47. 
    
48.             return strWebData;
    ( [9 u/ o! v8 n
49.         }

复制代码

* E4 H  E: h6 L) u& Y! P

PowcAncn

weishaneweishane