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
http://a.com/bb.html
8 Z. S9 S% w% u! M能自动去重复

李小冲

1. #region 抓取全站链接
   2 A9 c" ^1 T) p4 X2 q# v* J; t
2.         public static List<string> GetAllHref(string url)
   ' c* s8 _; n# @  U" b# V
3.         {
   5 W0 [2 V9 w" I- W
4.             List<string> allHref = new List<string>();
     F9 \3 o$ C  f6 i' {5 W
5.             try
   
6.             {
   4 Q4 y" k- |# N9 W- @
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   , s, k$ d1 K" r+ [
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)
    % T8 t8 P3 O( [1 v# a8 Q9 _
13.                     {
    % C3 h2 R1 G6 |& V  i
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    4 l# {9 j$ r( D
16.                         string fullUrl = "";
    3 j. D9 D2 J2 b& _; F
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    " \; K3 F0 R7 Z% r; D$ Z
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    5 n. A: H5 h2 o, d, O6 C- o6 ]3 V
22.                         {
    3 ?- b' u; ^9 c/ B  Q
23.                             fullUrl = thisUri.ToString();
    $ I, |/ E6 B4 U" i2 T
24.                         }
    
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    % ^/ s& g% P) a% i+ D  e& ^
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    ) `* I8 y& g) @9 J
31.                 }
    ! q4 f+ j) I/ y
32.             }
    
33.             catch (Exception ex)
    / h1 \7 }4 Q6 q% W/ S4 D% z0 N8 b
34.             { }
    
35.             return allHref;
    " d. v; i1 @/ a7 g6 ~5 @
36.         }
    + a& A4 O" K* F, _8 U) U% H  w
37.         #endregion

复制代码

$ H8 }8 @+ i" J$ C: x

1. 
   2 _$ x% C0 v" s6 x8 K' b/ R
2. 
   
3. 
   ) ^+ Y% h# B2 O2 |' H
4. #region 数据去重
   
5.         /// <summary>
   1 N8 R" H' k2 {  q: w0 |- o1 m5 ?
6.         /// List<string>去重
   ) ?6 x+ R* Q3 l; S
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    8 F6 {% w7 H. n# |; L1 p5 b
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    - u$ a/ @6 y4 |  _, Z
14.             foreach (string s in list)
    
15.             {
    8 u" Z8 @- f  h; C8 g. [0 _
16.                 if (!hash.ContainsKey(s))
    ( z0 C& v  i' T. F; U: K
17.                 {
    
18.                     hash.Add(s, s);
    1 ^3 [/ |; m! n+ \2 y
19.                     list1.Add(s);
    $ N, N* H- b4 f, N0 p9 Z
20.                 }
    
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    2 Z- H; Q' Y' K% e
24.             return list1;
    4 [$ ]. R& t* A, }$ ^% Y) L
25.         }
    & Q( r$ g. b( e9 X5 Z
26.         #endregion

复制代码

& s6 E0 \- A8 \
, E! Z: h% q) b9 d3 V' l/ u

guys

李小冲 发表于 2016-2-26 16:17

/ I+ h4 q/ ~; X: v0 `3 _, \% E% g十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
; U. y& _. `( p! o( U十分感谢！！！非常感谢！！

缺少一个gethtml,用下面这个：
/ Q( m  S0 d6 q- 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
   7 y# S* z0 R: ]- S; a
2.         {
   
3.             string strWebData = "error";
   % m6 N+ |( f5 ^& L; M
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   " o" O0 d1 r- J6 g2 T$ c9 [5 @
7.                 // 需要注意的：
   4 O' y5 _2 L% B6 [$ ]
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
   , ?+ Y) f- U8 x4 F, b% O; ^+ g) _
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
    , a3 T* t* J& Q2 Q( H, 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)");
    
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;
    
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;
    * S% I7 y+ {* @9 ^
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）
    ( r6 W$ H- o2 [0 |5 S, r
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    - c- v4 u. ?* g7 x) Q" e
22. 
    ' G' ]" ~5 s. ]. q7 q
23.                 //获取网页字符编码描述信息
    % ]: c7 k. R/ @, a) \0 _
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    + x' }) S  D  O( Y( W; |9 n. N, ]
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    + S  e5 E0 K9 ?" P5 X3 H  t3 P) Q( \6 A
28.                 if (charSet.Length > 0)
    0 ^3 F7 |1 c  B7 h0 M& B
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    : S" ~& ^" o2 v0 H. z
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    , ?, ?# L- X8 @0 X: I- Z
35.                     {
    
36.                         charSet = "utf-8";
    & Q% R8 ]) y. C0 Q) m$ c
37.                     }
    2 @5 O+ N) a3 j/ Y! G. S
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    0 J) B) n' k6 _% E! [7 r3 C
41. 
    
42.             }
    * A- u) \) c: `- I8 J2 Q5 }
43.             catch (Exception)
    
44.             {
    % s; `5 C5 K8 T4 R
45.                 strWebData = "error";
    
46.             }
    
47. 
    
48.             return strWebData;
    * n" l' K# V; v$ T; j/ I6 ~
49.         }

复制代码

# r4 V* j! j6 F

PowcAncn

weishaneweishane