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
# v6 v# g& l7 lhttp://a.com/bb.html
7 S1 |& R# Q* o' d: m* ?能自动去重复
+ r9 z$ m' \$ ?) V0 W$ x# o6 U

李小冲

1. #region 抓取全站链接
   % V& M7 o7 J6 }4 C7 }
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   + L6 d( w# z8 N$ p! S* l2 a1 [
5.             try
   
6.             {
   ; M0 ]; z5 U4 T$ O# {: P
7.                 string strhtml = soso.getHtml(url, "", true);
   6 w' M1 p+ d6 B
8.                 if (strhtml != "error")
   ' B: F/ Y  D- c$ ?! s
9.                 {
   1 l9 h0 O+ q1 s
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    ( Q+ j/ e9 V( M6 W6 J( x  {
11.                     MatchCollection mc = reg.Matches(strhtml);
    4 Y2 q5 Y9 i0 @7 S0 _, E6 D2 o8 V+ M
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
      t& D- U" X8 L0 [. b) J; h' q$ z/ d
16.                         string fullUrl = "";
    ( P$ ?( C: l5 H" ^+ w$ b5 u
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    2 K* h9 |4 ^; C9 Y$ l6 @
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    1 `) E/ t8 m5 E5 I4 z
21.                         else
    9 H, Y8 c% a& @2 k7 H1 X4 Q* {8 O
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    % }! Z( J, S5 M2 m
25.                         allHref.Add(fullUrl);
    4 }2 P! E3 X! Q% `+ x1 ~
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
      N* u: D7 g( h: U
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    ' r9 V7 \2 h( `* W' g# Z
30.                     }
    & w9 h& A( x: r: u9 B
31.                 }
    0 Z+ g! I8 O+ }3 D2 U1 Z
32.             }
    8 e' a! Z0 E0 I6 R7 s7 `3 M
33.             catch (Exception ex)
    
34.             { }
    + A( K  }" Q9 u! b' c
35.             return allHref;
    3 b% h& e9 G! [2 F1 G9 {
36.         }
    . A$ d# z0 U: @7 B9 T
37.         #endregion

复制代码

2 h* p( m! F) l' a7 n# _& k

1. 
   
2. 
   * [. `3 L5 g7 b! v7 }
3. 
   1 l% U) ]2 f" ?: S# Q" q
4. #region 数据去重
   
5.         /// <summary>
   ( P* K; f9 ^: Y: j0 a
6.         /// List<string>去重
   " I% L6 _. O" {5 s+ K* `; M, A
7.         /// </summary>
   # e$ }8 G9 Y! P) _; K9 Z) ?8 J& g
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
     w! ?% `+ D- @. ?: ^3 x" w3 e* V
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    5 }6 T- l8 y# \
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    ( e, t+ _  v3 r! f1 o$ z
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    
22.             hash.Clear();
    8 C6 ^- C! |7 Y
23.             hash = null;
    
24.             return list1;
    
25.         }
    : L/ \3 L4 x  L4 u' [1 ?
26.         #endregion

复制代码

6 `7 h1 P/ v# O1 R7 C8 O
# ]0 T5 g9 K5 e/ u0 M+ l; O9 G* J

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
+ a2 T  h4 h$ l5 l十分感谢！！！非常感谢！！

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
   
5.             {
   " }, Y2 I1 |# T9 x8 T" I3 I
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   
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
   % r# S, Q1 z: m+ P1 F, e- b" B% v  Z
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
    5 g; z" n4 P' s4 ?6 @' J
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)");
    2 D0 _  q2 L0 m, q  b
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    ) Z' @6 L0 T, \5 n  n, Z3 L6 K
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;
    9 F+ U: w6 i! {2 c, `5 }! b, C
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;
    * h: K+ s! {2 w2 m; J, X2 ?9 v
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. 
    
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);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    0 ^7 ]( e! [1 S0 I7 ?1 ^
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    # ~: D$ g8 o2 |- _- E4 o9 K/ A
31.                 }
      N0 N7 z: x/ y5 f& M
32.                 if (UseUTF8CharSet)
    
33.                 {
    " c% F) L- ?: s4 \- t% o! X% R
34.                     if (charSet == null || charSet.Length == 0)
    + j8 A: z) t  `( ?& A. G% ^
35.                     {
    ' [" Z( X0 d4 |- P. f% H" O& R
36.                         charSet = "utf-8";
    
37.                     }
    : f1 m! w8 b9 F, E# [
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    9 l3 Q; H) Z+ X  f* s, y( ]
42.             }
    & S7 H( x+ w. N9 ]: Z$ B
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    
46.             }
    9 X; z- e' N; V$ k# {
47. 
    
48.             return strWebData;
    . k$ ]7 \+ W' F) h
49.         }

复制代码

* |! s4 i# V2 ?) L. c4 L

PowcAncn

weishaneweishane