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
, e' _1 {2 I6 z0 ]1 u比如：
http://a.com/b
. y& `4 [' p' b; x1 `http://a.com/bb.html
! b" M+ p' w6 N* _% x能自动去重复

李小冲

1. #region 抓取全站链接
   % H2 \3 s: U% D+ w
2.         public static List<string> GetAllHref(string url)
   
3.         {
   3 C( n5 l1 g- K; P2 B+ F  O: P
4.             List<string> allHref = new List<string>();
   ! N+ b7 O4 k1 F8 D$ A/ \) B/ R. g2 W
5.             try
   / _( m( U; ~! c4 @& X! q
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   ( u6 U* D7 `! m# y0 [
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    $ D' Q0 i/ n+ w; c
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    / f. o3 r, p1 Z5 k4 g$ n/ X' s) {% c& U
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    9 a7 {. ^9 o  e- X8 V, W. v- L
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    ; B; [; w. ?" w& Q* T
18.                         {
    3 T8 s/ J: @$ s+ I
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    : a# x0 v- Z$ A4 R) V% h
21.                         else
    
22.                         {
    1 |4 ~1 I  o9 b" q$ ~% a
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    " H9 C5 B5 X& m2 v/ h& l1 t0 o4 P& N
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    6 g1 Q" R7 E8 E3 q' v+ w3 l
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    9 a% t" A1 C% V; s
34.             { }
    
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

1 U/ o% V. L. d  d* [( m

1. 
   $ U) E6 ^5 |: r$ D  ^( ]; e% Y
2. 
   
3. 
   % R' P2 g0 n; k# q
4. #region 数据去重
   # I' X. D3 C9 {& F$ D1 q% _: @
5.         /// <summary>
   - b" i3 o6 n) K8 f1 J9 H9 L% k
6.         /// List<string>去重
   . `& S+ b! [5 r0 A, k, f
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    0 @7 _* Q/ O9 q# N1 [1 `
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    ) E1 }0 S- _9 k9 C( y
17.                 {
    ; M, X* J) b0 q& @
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    , W* t: H3 ^  l1 N# [1 `7 [/ k, C
20.                 }
    9 Z/ s' I% \( d& k0 k
21.             }
    0 D$ _2 t' Y  P2 l0 T2 `; v6 W! N
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

* y6 U, x/ s: b十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
: ]6 O" r7 D" {7 ]2 h6 O# \$ w十分感谢！！！非常感谢！！

缺少一个gethtml,用下面这个：
5 L% |! ~$ M# H; U

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.         {
   6 r4 h! T* [* x
3.             string strWebData = "error";
   
4.             try
   1 L' @  m+ U% y1 w  ]' o- O; R; P
5.             {
   " Y" m& d6 |1 Y! f/ W6 E
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   + F$ i& `5 m2 O6 [6 N
7.                 // 需要注意的：
   - u5 |: }. z: R0 U9 l
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
   8 g8 ]. u- v5 O
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
    $ r1 i) a, F' N/ g! D# O( e
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
    + O/ _, m2 e4 N7 h& r0 ]' k" g  T
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);
    
22. 
    - B( |$ Z- Q0 S2 b) y
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);
    5 O$ R5 C3 E3 }
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    7 l+ [& u9 @. T
28.                 if (charSet.Length > 0)
    ) E, x  l" G" G  d* L3 ]
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    2 |5 s( _8 |7 ^' a) w7 V
33.                 {
    ( `5 ~3 l  k  i
34.                     if (charSet == null || charSet.Length == 0)
    " K& q5 S# k( `1 I: z7 C& }
35.                     {
    6 U5 Y$ |$ P2 j" }/ T" r
36.                         charSet = "utf-8";
    * M: e- a3 j8 V( u( d
37.                     }
    9 P/ j, ~: ~' b, l' @) v! N, j
38.                 }
    1 i. T3 x6 B1 A7 B7 s0 I  ]# a) N
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    & e: W0 T& W; ]
41. 
    % C' N% s  d. a
42.             }
    
43.             catch (Exception)
    
44.             {
    0 T! v  }' \$ L7 t
45.                 strWebData = "error";
    # y% l' s! W+ K) e3 a1 e. _' D
46.             }
    : O; n  J9 `9 }2 m7 k6 A( _
47. 
    $ t: m, Z* x( K4 R7 s) B4 k
48.             return strWebData;
    
49.         }

复制代码

; R3 I! J3 F  E) n2 C) j
+ m! l" x5 m) W  d( P

PowcAncn

weishaneweishane