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
/ z, s* X9 |" C( E9 o比如：
http://a.com/b
# M5 t. ^0 b1 x9 jhttp://a.com/bb.html
4 f8 }1 S+ |5 {能自动去重复
& \* ^3 T7 t2 m1 ?- I% ?. J7 H

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 P- g8 w6 Z& i9 @" q& }9 _5 ~, f6 T
6.             {
   ; y5 V. B  _8 E3 u
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   
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)
    ; W; |  D* ]  s9 m0 E
13.                     {
    5 w, w9 T' @) _
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    5 g" D6 ^- r# z# u
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    5 T4 {  ~- a, ~( y9 `
18.                         {
    ' z. }3 }  y3 ?4 K0 K/ O5 m
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    ( [! W4 J6 Q1 z! S' s) R' }8 s
21.                         else
    
22.                         {
    : g3 [1 |1 e2 T1 i# W
23.                             fullUrl = thisUri.ToString();
    ; Q5 P! c3 G9 r6 X
24.                         }
    & M, E2 P+ A* R/ G. K/ F* {
25.                         allHref.Add(fullUrl);
    ; Z) m( y3 m& W/ |  s9 T/ k
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    # ^9 F2 N3 V( t6 W4 T
29.                         //Console.WriteLine("…………………………………………");
    4 v% M: k. f  Z) U8 I% \) @% v3 u
30.                     }
      {& n( @, A9 |# @
31.                 }
    
32.             }
    + o' X, m  I  w; j
33.             catch (Exception ex)
    " \2 v) [' ~. X, A- U
34.             { }
    " V1 w0 n, S- P9 H, `
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

  o. e* D( r% t- U/ W6 S5 m# d

1. 
   ; F; b) o. z4 A
2. 
   $ [3 n4 z, c+ @1 Y' z3 v& G, p
3. 
   ' {/ V( {6 E9 N& x9 ~
4. #region 数据去重
   " z5 c, q1 e0 `, v
5.         /// <summary>
     H7 ~4 |% e) z% }( V
6.         /// List<string>去重
   , e& m8 g+ q9 L" B3 ^
7.         /// </summary>
   % _- W& O" H$ Y
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    ' V: `$ s( `0 F. m% ?$ _
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    0 F* |% |0 c& |7 i5 `
14.             foreach (string s in list)
    + ^! Z) }5 H9 U3 b
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    1 Z& d, o6 @, A3 h# r
19.                     list1.Add(s);
    
20.                 }
    $ B! I5 o* D7 i6 t4 d
21.             }
    9 ^0 P6 x* a# h! }% [! t3 Y1 I
22.             hash.Clear();
    ; ~- y. @  s9 V5 `1 J7 [) W0 r
23.             hash = null;
    
24.             return list1;
    6 U' |+ v" Q+ K" z- h. y" F
25.         }
    3 `2 q; ~2 R5 Q; e
26.         #endregion

复制代码

( O1 l' }( ~" T! Y
4 k+ `& \* P5 k7 m7 M4 [' T

guys

李小冲 发表于 2016-2-26 16:17

7 b) `5 ]* k7 c& r! |& \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！！

" I, \- x" r' N0 j) I) S  r缺少一个gethtml,用下面这个：
$ G" ?  }/ v' J* J+ ]

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.         {
   - F4 c" `! N1 c9 \/ \
3.             string strWebData = "error";
   & V/ s7 y1 g4 N
4.             try
   ! O2 z6 {% M: S2 G2 f; i# _* P$ Z& ~
5.             {
   ; u" w9 d% K- {
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   6 V4 X$ l& b* \) J! p4 v# `' E& o
7.                 // 需要注意的：
   $ h) F/ L7 a" _( K1 Z) z9 {# Q7 [
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
   1 o5 m5 |( f/ D% N% N5 {
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);
    
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    - ~% F" n1 c: w% z; Y9 L3 @
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)");
    # H3 |9 W9 s( s' Q* C. \/ A
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    7 U, H- a; x# T3 o8 Z0 [
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;
    5 D+ ~; I& M0 ~- D& m8 P
16.                 //如果服务器要验证用户名,密码
    # Y; z2 s( A; e* ?$ F* u  W
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    , p, P1 ]* ^% S4 j# ?  R/ n
18.                 //myWebClient.Credentials = mycred;
    3 }6 ?0 X4 K4 C. u3 d( I, e
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);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    : L5 s  E6 N$ K8 U9 r/ L  k
22. 
    ' p# U) w8 W% G( U' E0 K
23.                 //获取网页字符编码描述信息
    - A7 j5 {. [3 y9 ?
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    8 k, @5 L& n4 K3 e
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    6 }8 Y4 w) A9 `0 W; Y, _2 p
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    1 [' q0 b2 s3 o# D% T5 X. k( t
28.                 if (charSet.Length > 0)
    8 e" u, f( a* z3 q. J' {1 h
29.                 {
    1 ?: T* M; S, @' N
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    0 g7 O" R8 F4 B0 V, B% s$ p! z
32.                 if (UseUTF8CharSet)
    . [$ W1 R1 B  _2 [% o7 o8 G; i- s) Y
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    ; B) V/ z8 v2 o8 E
35.                     {
    
36.                         charSet = "utf-8";
    - {! e5 r* O: D5 R! R
37.                     }
    " p" j% e( l0 p: b- Q- y. |
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    6 z' [7 A+ A8 g$ U  L0 Z. e
42.             }
    
43.             catch (Exception)
    % o" Y# Q" `# t# Q- @
44.             {
    9 G) S9 {* c& E" x* F$ `3 d
45.                 strWebData = "error";
    # M" ~& Z7 s! @8 ]& J, ^4 K
46.             }
    
47. 
    
48.             return strWebData;
    
49.         }

复制代码

6 S6 ]# M7 M& a' }' o7 j

PowcAncn

weishaneweishane