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
* X& i, v5 n3 C2 U# Z6 J' L5 t比如：
http://a.com/b
http://a.com/bb.html
能自动去重复
2 F. t. Y* m# v0 J. J& a+ I4 w

李小冲

1. #region 抓取全站链接
   6 Q6 @# T+ G7 D% r: B
2.         public static List<string> GetAllHref(string url)
   8 n' s! _% |0 b5 Q
3.         {
   7 i, f) F8 \' M3 j
4.             List<string> allHref = new List<string>();
   
5.             try
   $ s) K/ u* t% e
6.             {
   & _% @5 w* S' \* d( s2 s, M# l: i" }
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   / O: w. i/ F4 p' W" v; j
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    9 b! N2 m0 r+ P2 l4 h3 b, J# f7 \
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    
13.                     {
    5 L$ g# V% i  S+ g! ^. \
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
      s$ x& {. J% w! F: Z! ]* R  }
17.                         if (m.Groups["url"].Value.StartsWith("http"))
      n$ r1 A( R- q- ~0 W
18.                         {
    : h' B6 e" E$ |( J$ {: v  X9 F
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    # F. E* w+ C3 Y& y
21.                         else
    ( H$ D/ w$ v$ N0 ]# [: U
22.                         {
    8 ~3 r& _' W1 t& C7 J
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    ; b) K% d  c& P
25.                         allHref.Add(fullUrl);
    $ c- P0 n; w% n9 N  c+ F
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    2 f. u5 i8 ~, H6 j' P3 b
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    & ^: n" M# g8 j+ @, }
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    % @( z; W) c( @+ T5 j/ e8 G3 y
29.                         //Console.WriteLine("…………………………………………");
    . `3 E! I5 z, [9 N8 x8 G  B/ p: ?
30.                     }
    
31.                 }
    : S! y# l: n! j' R" p
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    " q. a0 I3 Y$ }1 b- m8 B
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

1. 
   
2. 
   : T- M; }9 X3 B3 N( ~
3. 
   . J5 }' a$ \6 G+ ~
4. #region 数据去重
   & n6 }+ e  E! C6 O
5.         /// <summary>
   7 Q% m' E& B, A1 |0 I
6.         /// List<string>去重
   ( q% V% B- }& S# M* v
7.         /// </summary>
   
8.         /// <param name="list"></param>
   - Y8 E5 T1 a6 {5 [
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    : f+ V1 Y) Y3 _3 B
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.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    $ K& R* S* ^8 H- o2 {% x1 O
21.             }
    8 f5 H4 C8 Q& c* t# A
22.             hash.Clear();
    
23.             hash = null;
    0 M$ D6 L6 m+ {& t5 b# ^3 _# |
24.             return list1;
    ; D+ l  G4 o) v
25.         }
    
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

$ U2 [6 ^( s, r) x& Y1 ^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 A$ d& F! S9 b( ^

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.         {
   8 w3 U' Q' t$ M; R; {) f
3.             string strWebData = "error";
   . [  k3 V/ N1 `* g* D9 v
4.             try
   1 B: r) u5 N( w; k. ?4 x' I
5.             {
   ! K) Y7 C0 y6 o  h+ p9 U4 d6 t
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   , A  p- m7 I$ v4 H4 A" H( W/ E% u& E
7.                 // 需要注意的：
   ) s3 e4 n0 {3 i- c7 v* C
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);
    1 p5 m, C' m8 T4 y) z+ u2 p
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    
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)");
    ' v7 F" l) ?& g5 n$ H/ Z
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。
    % e9 }* F0 x! o& b1 v/ Y
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);
    * w- ~0 I8 X- n3 I
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）
    
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    ! ?% O3 \  i1 c
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    % {. t% e+ {+ `7 s7 p- r
22. 
    0 r5 c7 _3 }( ^; H% g
23.                 //获取网页字符编码描述信息
    9 |+ x3 v7 J2 Z( V% @% z
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    / p/ k( l& \3 Y
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    ; k& `# i9 g9 l: y% C
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    % j* s: h# _# {* m; m
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    1 m: [* d: g( s$ I
31.                 }
    
32.                 if (UseUTF8CharSet)
    0 i  b# d3 i* S1 r' z! o" z3 c0 c; |
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    ! O7 n9 @# t2 V( x1 G
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    0 ]6 E4 h3 u' q" h
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    8 T% B9 V$ h- K/ ^5 [2 V
43.             catch (Exception)
    
44.             {
    - S4 Z5 R+ A+ i5 p# n# K
45.                 strWebData = "error";
    
46.             }
    
47. 
    - [: J, |( @  `. ]" E, J1 @9 G. J
48.             return strWebData;
    7 j, @# D, h2 r) j% Q; o" T' |
49.         }

复制代码

& @" K; ~5 w& v$ D/ U

PowcAncn

weishaneweishane