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
" p3 |( X4 Z2 W6 i比如：
  W0 w6 u0 B1 l% G& yhttp://a.com/b
' |5 h# G% }/ M! c3 jhttp://a.com/bb.html
能自动去重复
7 [" n' B5 s4 x3 V8 j8 C3 W; f, E# }; l

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   5 \! G4 g, n. G4 [) T6 q
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    / v" W. @0 l& M# B
13.                     {
    / i. b0 _- _0 {0 m7 i* v% ~( x4 a# R/ C
14.                         Uri uri = new Uri(url);
    ' r) q! J, n( m8 v& v7 D: K- C
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    * v! T9 a& `# A( o+ h( Y! r% M0 F9 D
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    & A6 P' n  @# \* k' D5 w5 |  P* J1 E
18.                         {
      ^, j/ r- ]$ W7 v: r/ O4 b
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
      I5 N( Q- D; f# {! J  _8 V
21.                         else
    9 M3 s1 I8 t6 O3 W' j: x
22.                         {
    1 s  t5 o/ `7 W1 ~/ y% u0 B
23.                             fullUrl = thisUri.ToString();
    , {5 ]9 c- o; Y) }% z6 A3 F: u$ H* P
24.                         }
    9 Q5 W# j4 n6 C) a5 E. X
25.                         allHref.Add(fullUrl);
    ) y( X2 n  v( w* s3 M0 b4 L
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    / K0 S4 E- W' c
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    0 U: i( \( A" a2 `3 F$ n: v3 s  e
30.                     }
    0 X1 g' \; @7 q. |0 E
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    ! Q+ t& X/ ^1 o5 N
34.             { }
    : f5 \  ~) E5 w' D
35.             return allHref;
    ! o, ^! d% {/ f! y9 d' q+ d, I. c7 K
36.         }
    $ e1 a: X8 K/ ^: u: S2 f3 W3 G
37.         #endregion

复制代码

# j9 A( k$ j4 m- H0 ]% v

1. 
   
2. 
   & H9 {5 x, \( i/ |
3. 
   
4. #region 数据去重
   ; e7 H) C1 N- y5 ~$ U& n
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   * Z6 S/ ^# u' f/ o; }
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    % J. T2 s' J9 w/ N
13.             Hashtable hash = new Hashtable();
    ' R( u" L& h% Z4 J
14.             foreach (string s in list)
    
15.             {
    . E( \6 E; ]# {) W
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    * m) \2 e& ^% S8 o
19.                     list1.Add(s);
    + @7 @3 ~7 N+ _2 y; v. w8 E# V
20.                 }
    
21.             }
    3 L7 z: C2 X8 b  m
22.             hash.Clear();
    
23.             hash = null;
    " Z  Q' {# t: _1 N
24.             return list1;
    0 Y5 p/ l- J4 ?' O
25.         }
    
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

" b# \/ [- h" x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：

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.         {
   1 b9 u" a) D7 T/ i0 t9 `
3.             string strWebData = "error";
   ( y( J9 [, v% J- a  i
4.             try
   
5.             {
   . u3 w8 b  L: v8 P
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   ( M2 K5 l+ t8 p4 o! n2 e
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
   6 }2 `/ v7 V* [+ q% u/ r- k, l
10.                 // webclient.Headers.Add("Cookie", cookie);
    ' j6 d( m) f& Y: q
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    # Y8 b2 b4 g  x) I
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;
    3 b( z& F0 ~( S3 z( c7 j2 \
16.                 //如果服务器要验证用户名,密码
    / m; }& s! I* z3 q
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    + g2 \9 d7 G" D! M" l& S
18.                 //myWebClient.Credentials = mycred;
    * ]  J5 q% _+ r, t" p  G
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）
    - j4 s' h. j, T
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    . W$ P, i/ x& w6 l
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    # p0 n! c2 A& F6 C2 h) H
22. 
    
23.                 //获取网页字符编码描述信息
    * R9 r/ L  Y' Q( W3 w3 `/ O
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
      L# n7 s% W5 J; n9 L* |
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    1 p  ]% o# h+ j0 K! L+ ^
26.                 if (charSet == null || charSet == "")
    : S" j$ Q/ h4 \  q5 h- l
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    # h' u' k4 u% k# b; n, D1 U
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    , v" y) L2 a' [
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    & w  v4 W- A' g6 b6 Q0 s  z0 a
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    : c( u2 ^4 R. o) A/ a
42.             }
    
43.             catch (Exception)
    * L; `- A$ j5 |& A: c7 C5 t' {+ V
44.             {
    
45.                 strWebData = "error";
    
46.             }
    , F5 y7 [; E. y) u; W; m9 j
47. 
    * v2 c  W3 c. w; s0 G6 O
48.             return strWebData;
    4 H6 J# U7 G8 A2 J: V
49.         }

复制代码

# G) |/ z7 k  E! |% U. O4 ^4 R! Y

PowcAncn

weishaneweishane