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
! q) H# w) b7 Y1 T  p比如：
http://a.com/b
; [" N" ~0 K- {! \1 ?: Nhttp://a.com/bb.html
5 N4 G2 L) e; M& b- l3 y; k能自动去重复
3 `% N6 @: r6 l8 f: ]) l3 z

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   
3.         {
   1 R+ O7 D( J4 x# M8 z( E
4.             List<string> allHref = new List<string>();
   
5.             try
   9 O1 s: g$ m7 J2 U8 W
6.             {
   8 ?8 Z& x& G+ q- C
7.                 string strhtml = soso.getHtml(url, "", true);
   + }- N5 S8 E, d' G4 D5 f
8.                 if (strhtml != "error")
   7 o9 |0 K* y, w4 m+ _
9.                 {
   - k( ^7 @$ |5 h2 p0 C
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    " r) t! k/ D9 |# G! l
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    ( z! L0 M6 h6 \# u5 j8 x/ X
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    . j* d9 R9 O* n- e# [8 d. G3 s8 x
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    . E, A  V% D* S; z, m" ~6 s
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    ; G' h! p: D& c( r, {! G
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    3 }" m9 o; [0 [7 G
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.             }
    ) H6 g) z7 N" E
33.             catch (Exception ex)
    / Q8 E0 b, d" B8 E; d: `0 ^
34.             { }
    6 c5 W. F' l: r/ g, ^* o* r+ B# o
35.             return allHref;
    
36.         }
    + }( E# a$ p  x- f
37.         #endregion

复制代码

  O' b5 [5 B; G' m9 J
3 d1 t4 D: H& w2 h

1. 
   2 i' m$ F6 a& K6 N
2. 
   
3. 
   ) d. c. ~4 H7 k4 y, j1 j" V
4. #region 数据去重
     K9 \( {  `, e2 u2 `, Y
5.         /// <summary>
   
6.         /// List<string>去重
   6 C6 S: p9 r/ a9 H" Z2 ]/ O
7.         /// </summary>
   3 c5 e7 f* ?. l& D. o
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   % Y- P' l. Y6 g3 y) c3 d5 R. {
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)
    0 n+ P" N, O* g- ?; \' d9 Y
15.             {
    " {  |( x1 D/ y2 V
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    5 l, V4 w5 E+ r' I
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    / Z1 E$ K! @8 s9 v3 k& m" k* [
24.             return list1;
    
25.         }
    ' M$ d1 U" f; r) O8 {
26.         #endregion

复制代码

# \& Y: d4 H7 Z  x+ ~2 \

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：
7 d) y. q: P+ }/ _& x

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
   ' V3 }: w' ]( E3 f9 `
2.         {
   
3.             string strWebData = "error";
   
4.             try
   4 K6 X( C0 E- F' F4 A+ o
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   6 W- `: j" h* [: n9 [( J
7.                 // 需要注意的：
   # Z! `" u9 ^, S2 U" Y
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);
    # v1 s6 W7 H4 L9 ]
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    ( J; p, k3 r! P2 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)");
    + ?# u$ |+ u$ x& `, ?* m" u
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。
      }5 v3 g5 i* l" L, |
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    " L& z" t6 F8 ?* y+ i. a8 J0 @% n
16.                 //如果服务器要验证用户名,密码
    ' J: ?. S5 i. v: ?; S
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
18.                 //myWebClient.Credentials = mycred;
    ( H! s. }5 o- v' [- N/ K
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）
    4 A* r6 l0 Q. a+ a& [, ~6 `
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    0 H6 }9 S: P9 `3 _7 j
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    ' N( p& J9 Y' ~! c3 T+ d
22. 
    , K6 |* P* ?# B" b; o  f/ |/ U
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 == "")
    
27.                     charSet = webCharSet;
    . C3 z8 F3 }4 t# j4 T+ P0 _/ s+ i
28.                 if (charSet.Length > 0)
    % d! u. g1 X4 D' s* Z2 @; U. Z7 Y7 @
29.                 {
    5 h0 C, Z/ r! i# R2 V: f% _, U
30.                     charSet = charSet.Replace(""", "");
    8 R+ l) K2 q& n! N: I
31.                 }
    7 J. V/ Y( r: P) [7 ?9 h# C! U
32.                 if (UseUTF8CharSet)
    & F3 W0 T6 T4 b5 U/ N
33.                 {
    $ e  ]# l0 n! W  v. I
34.                     if (charSet == null || charSet.Length == 0)
    6 z% g( H& ~# K) I% ^' p
35.                     {
    : z: k2 `, H. H, R
36.                         charSet = "utf-8";
    
37.                     }
    ( F8 k7 F% G- F8 I! M  _
38.                 }
    * H* r  t: P8 g  S* q& H
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    9 z- F& X3 v1 J. k
42.             }
    
43.             catch (Exception)
    4 J  ^6 y6 l& x. Y& a
44.             {
    - r; o( Y6 R  K' ?4 t) n
45.                 strWebData = "error";
    
46.             }
    
47. 
    
48.             return strWebData;
    / R& x8 G2 a2 @& P  ^% p. P
49.         }

复制代码

PowcAncn

weishaneweishane