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
" B% f: |+ X0 Ihttp://a.com/bb.html
能自动去重复
4 D3 a1 ~* V$ Q" i* b2 ~! }1 _: A

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   
3.         {
   + ^7 @7 V0 x  C4 N& P" {6 o7 Q! V
4.             List<string> allHref = new List<string>();
   ; p) X' {- Q5 m; @% W8 `& ~
5.             try
   & V: q9 j, H2 H( y6 }! j7 z
6.             {
   + G/ q+ o$ E. Z1 q6 C7 C
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   ; i5 D& C  D0 Z
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    # o' ]: u* b- t: z) o. Y; k
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    " Y* n: Y- w* T9 r2 S2 v1 T" `
13.                     {
    3 ^5 h9 N5 `% _* b
14.                         Uri uri = new Uri(url);
    8 z# {' p7 `8 |) G) n1 e/ q. ^4 q
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    8 t8 p& w; k. N
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    - X1 l2 O, h8 m9 b! y8 i3 |
18.                         {
    2 z/ |* |1 J* p, G6 {+ x, o! O
19.                             fullUrl = m.Groups["url"].Value;
      s8 a( c, B$ B4 u' [. s. T  l
20.                         }
    ' g1 ^7 ^( C0 Y) j! s/ R9 i
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    ! E5 O0 k0 s' }% a5 Y) ^
24.                         }
    
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    1 g* _4 Y( O, P  a, H& E
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    / s/ v4 l2 d: X
29.                         //Console.WriteLine("…………………………………………");
    ! F  `0 i+ s, ^- `/ @1 W3 N/ l" Y8 c
30.                     }
    3 G- d* A4 c& h1 v  n
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    + h7 E, Y  o# y+ R$ F
35.             return allHref;
    
36.         }
    4 O7 n5 P' d: h& p3 H2 G# [  B
37.         #endregion

复制代码

* s" n/ Z$ A0 I" X* O& u1 ~

1. 
   7 U% c1 I8 G3 v2 T. m3 I
2. 
   ! U7 f. k: p% U, f) x+ f! x
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   & B& B! _! a+ s9 b
7.         /// </summary>
   + _# {) u. |" D. Y
8.         /// <param name="list"></param>
   2 y$ W5 T; T% d8 P  ?' t
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    . J7 a" V0 G  a
11.         {
    . H% V* e7 T4 o! c7 [$ V
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    ) L! G# z' W$ f. Z
15.             {
    1 [, ~4 o0 K5 b. ]# Q
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    % z- f" r: u; x
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    : n' N5 ^- ?( K& i. Q4 D* V) I  F! n
22.             hash.Clear();
    
23.             hash = null;
      i( Y0 \5 ^7 N5 Z% T: @2 P
24.             return list1;
    ; }+ K6 Z$ u. Z3 |
25.         }
    
26.         #endregion

复制代码

& n6 a% h% }5 d6 w# c( p* u6 O  z
: f- ~( \  L" O0 G3 S; t" `% I# k

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！！

  N4 t( i8 V' q- K8 p缺少一个gethtml,用下面这个：

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.         {
   1 M5 E7 r4 X" Q% ?- o
3.             string strWebData = "error";
   
4.             try
   4 f1 X5 M- T7 y1 z8 K. }
5.             {
   ( C) r0 ~/ Y- [& D! U9 s
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   ) J& O6 W$ @& z5 x
7.                 // 需要注意的：
   * l) A8 O- u! R; }  m. Q6 u
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
   , r2 ]: j( \* c+ k  o& k. L
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   1 M0 K# V1 c' V2 z! ^  |
10.                 // webclient.Headers.Add("Cookie", cookie);
    ! e' Z& c: F/ t  {& u! U6 _, ~
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)");
    
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 @$ ]! ?! l  j7 B
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);
    ' g) y* j+ G- _3 ]  m2 ?
18.                 //myWebClient.Credentials = mycred;
    $ }* A0 L( r& |
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);
    5 V  k8 F; B  c
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    * O" [9 h. ]! o7 j: V8 u& P. p! f
22. 
    
23.                 //获取网页字符编码描述信息
    & @; J$ u+ Z5 Z2 H% T8 h
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    - n0 Q' H( U" j# F6 \% C8 C0 j% _
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    9 ~( w( C6 p! [4 S
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    & Z; G/ U& w$ ?6 ?
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    6 Y* o+ Y+ w! F( o. V2 u
35.                     {
    ) b# d6 B5 `1 t% P( u
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    9 P, a4 \: B& {& n4 X- a
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    : r' E) z5 X( B3 o, Y
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    
46.             }
    
47. 
    6 \5 S' S+ W' @3 w% b: b
48.             return strWebData;
    
49.         }

复制代码

* x, D8 j( P6 i, ~% N

PowcAncn

weishaneweishane