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
: P. g/ P. n/ t; f" Z4 g比如：
% t* w& O$ z! rhttp://a.com/b
http://a.com/bb.html
能自动去重复
* o: \5 [0 p9 W& J. N: i9 O

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   
3.         {
   # n9 m2 e) E! ?+ j1 o& ]
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   4 _0 K; _% F  w
8.                 if (strhtml != "error")
   
9.                 {
   $ d. j4 R' [. P$ p" h
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)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    $ b8 }/ o# r$ n0 ?4 \- C
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    ! G, _4 T* \# c$ x$ d! B& \
19.                             fullUrl = m.Groups["url"].Value;
    6 v7 r6 p9 F, X8 t2 U
20.                         }
    
21.                         else
    0 E+ ]) Q: P# ~  k. I. O) K
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    5 z; t2 H) ?* [  M5 B1 I
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    ; |; W* X6 z/ h& p
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    , [5 p. ^  M% {4 }% Q; M* G7 X
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    ' f+ y4 y$ h& t' Y! _+ l! J
35.             return allHref;
    , K6 D. }" h* b
36.         }
      N) t$ [& X( d+ M! |& f7 @1 Q9 G
37.         #endregion

复制代码

- h/ m6 Z$ B7 U7 V. t. i0 h7 E( v' b

1. 
   ! P# s8 z- |0 S  }% ~5 d
2. 
   + y. d8 g9 n8 ?2 P
3. 
   9 i. k. m: p9 Y: x. v3 f$ |
4. #region 数据去重
   % r6 f; M+ C0 ?% @( X% m: x
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   ) c) W# k$ U9 R7 n* J( l
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 l# u7 X& K4 W& r( y! w' C3 P
14.             foreach (string s in list)
    
15.             {
    3 l) H  N0 z$ I4 q8 o& S
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    5 A6 P/ _% f7 B: v% M
19.                     list1.Add(s);
    / v: f3 Y. M! @9 Y- F! I( A
20.                 }
    ; O! J( }$ ~, y1 z) T7 [: l
21.             }
    
22.             hash.Clear();
    * K) h) h# W; v% k, q# k" Y( X% z
23.             hash = null;
    
24.             return list1;
    
25.         }
    ) v- L; L& v9 `- K  K4 f
26.         #endregion

复制代码

7 O* g0 v; K) W# n! o, A

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
十分感谢！！！非常感谢！！

缺少一个gethtml,用下面这个：
. I$ b- N3 Z- ]1 W( ?! `

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
   ) t/ @3 t/ a! c
2.         {
   5 j* C. t& x: r+ Y5 G  h0 W* W
3.             string strWebData = "error";
   
4.             try
   1 ~* E$ \- a% t
5.             {
   , e! S1 a/ g" U. ^. z- z
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
   
10.                 // webclient.Headers.Add("Cookie", cookie);
    8 D9 e8 f! C6 z8 o7 N# p
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    + I3 @- w% i/ v) }$ Q! t- h# {
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)");
    ; J+ w0 e3 m$ y; C- a
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。
    & L+ y2 N% f0 T$ e, a8 c
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    " {) u7 o; p1 ~$ t6 @! q. [
16.                 //如果服务器要验证用户名,密码
    5 O# c. p! F& W8 ^7 d
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    $ v$ s  C# f- j2 c: {
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）
    0 K, }. L' g# N. ^, F3 W6 M' Q5 ^
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    ! W, a1 ~% I  ~* a
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;
    # u- w) @# a. t' m) q
26.                 if (charSet == null || charSet == "")
    ) Z2 c1 T) V/ [4 w# T) A
27.                     charSet = webCharSet;
    : E$ \8 A- L6 \; Y6 A
28.                 if (charSet.Length > 0)
    2 y6 D7 Q# H0 i' I
29.                 {
    ) F$ Z; A$ }; U
30.                     charSet = charSet.Replace(""", "");
    6 Z9 v+ O: V$ V& q- i
31.                 }
    
32.                 if (UseUTF8CharSet)
    2 D# U, {! s) ]# G3 ?
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    . n7 b) q/ i3 I# E7 S
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    3 H- v4 {1 i( D& y- T+ n
41. 
    , U5 t' r+ N/ D! d- q/ P/ Z
42.             }
    
43.             catch (Exception)
    3 a0 c. i' _! y, V& w
44.             {
    6 a  w' W2 R1 t7 R" Y
45.                 strWebData = "error";
    
46.             }
    
47. 
    
48.             return strWebData;
    3 G+ [* X& x: q0 ~
49.         }

复制代码

PowcAncn

weishaneweishane