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
http://a.com/bb.html
9 J) m* ]8 i( Z能自动去重复

李小冲

1. #region 抓取全站链接
   9 V0 `8 y, ]6 k! I( G
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   : ~9 M" n1 Y1 }: {9 ]' n9 L$ `( C0 f
5.             try
   7 k( [1 x2 L0 z$ h/ q
6.             {
   5 g1 k1 `7 i( N$ k
7.                 string strhtml = soso.getHtml(url, "", true);
   ( O3 G' d; L7 u5 Q2 Y4 J
8.                 if (strhtml != "error")
   - Q+ p2 v  D- p- L  n, k: s
9.                 {
   ! R8 ~, J$ h' l: J+ d5 _9 Z
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    1 }1 G4 X7 n+ }, o) `* B* [, @
12.                     foreach (Match m in mc)
    
13.                     {
    2 A- n, [# h+ W7 _  ]
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"))
    % o0 U) j* G* }8 ]. q& m6 w4 R
18.                         {
    7 y7 S* D; A3 U- p/ R' z
19.                             fullUrl = m.Groups["url"].Value;
    7 ?, ~+ f( G, q2 S! i7 V( T5 r
20.                         }
    4 P7 D, B; |# a% B4 }# r- N
21.                         else
    ' m0 U9 ], p% c  h* m3 T6 {
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    4 A2 l/ q/ Y/ c; h4 F
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    6 k. |" p/ z, v! a$ k
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    0 t3 J- a5 z7 f% K
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    $ A# O0 `  v0 t: D1 m! n& D
30.                     }
    
31.                 }
    
32.             }
    : g: Z: Z  Z" V0 ]# R; @
33.             catch (Exception ex)
    , |( J) t  u% F- S& b
34.             { }
    
35.             return allHref;
    
36.         }
    / b* {+ f0 |" k& Y1 e
37.         #endregion

复制代码

1. 
   
2. 
   
3. 
   0 O* e2 Z/ f7 D9 g; }- }6 g
4. #region 数据去重
   4 T, q+ g# b; v. c0 ]& A* b" _9 W
5.         /// <summary>
   8 L* i3 k( h: d8 T$ H6 b3 Z" y* f/ {
6.         /// List<string>去重
   & M7 l: q5 a" F1 }3 S& F
7.         /// </summary>
   
8.         /// <param name="list"></param>
   4 H: i: C5 b/ K/ U
9.         /// <returns></returns>
   8 c2 M7 V$ ^# g/ y) Q0 B
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    ) O. j$ c( z; \) f! f( X
18.                     hash.Add(s, s);
    . R; M9 s9 w0 k4 [6 V
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    % |* n2 r$ k7 k! @
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    
25.         }
    " x# X; M6 ^: ~6 ^! e/ [
26.         #endregion

复制代码

( ]& v/ {6 ]8 K# G5 b: z
0 U- ^! A6 y3 G& O" i5 ?4 m5 f6 c

guys

李小冲 发表于 2016-2-26 16:17

- d$ a! g6 i  P# G$ l. W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！！

4 D1 X+ H, ]/ L4 p+ 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";
   ; E9 @  K) o7 l, J( x
4.             try
   ! m6 H* x+ ~6 {5 |- x
5.             {
   9 e! q, R) W; v6 }& O; z% l: j4 z
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   2 }. w: _% N: G/ G; O
7.                 // 需要注意的：
   ( ?; g6 h; l+ Q2 U4 F& O
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
   ' H$ W2 |6 `& [  x! Y( {
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   0 A* Y* w9 u+ t
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
    * O2 W. J7 F8 @
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。
    8 r1 W6 r& Y# N. I* j  X, c
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);
    
18.                 //myWebClient.Credentials = mycred;
      U- \( {' b" f, A
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);
    ; x. m  u7 W  }6 j- c  X
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    2 x( F/ n4 X( P# M# ?% W2 O
22. 
    ' ]% b7 H, t7 |
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 i$ h7 }5 M. c- v2 U
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    " [- i9 r2 O" l8 b- \/ ^( S. X. f( u
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    ) B: }) R& y  z3 K# L
34.                     if (charSet == null || charSet.Length == 0)
      B& Q8 m. X; v+ ]. p
35.                     {
      @7 w+ c! {' B# G& ~7 [! e: i
36.                         charSet = "utf-8";
    , f! K& h2 f2 s7 n* D0 V7 L3 ]/ [
37.                     }
    ( O! \" W( f0 z8 R2 j8 J* R
38.                 }
    ! Z* w0 s  z) {, L, w/ L
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    6 q; `8 S5 I. i" |
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    
46.             }
    0 u: E+ Q. v) }  _
47. 
    
48.             return strWebData;
    3 [: V7 g2 D# {- V
49.         }

复制代码

PowcAncn

weishaneweishane