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
4 ]- n1 ?4 m" @1 Z" F比如：
- e& E5 g1 U% G. a$ Phttp://a.com/b
5 I" J  p. S9 K5 g, Bhttp://a.com/bb.html
能自动去重复
; X' s3 p4 P5 Z6 t3 q: D

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   6 N* a( ]: x( u; a& X8 Y
3.         {
   ! k4 o$ O8 E& X! h: u
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   ; w; k* N8 k+ D4 K6 b2 ^
7.                 string strhtml = soso.getHtml(url, "", true);
   1 `. o3 u% ~4 _5 h2 A* P( l6 d
8.                 if (strhtml != "error")
   - j  v6 D+ q9 g9 _' n2 R- A
9.                 {
   : }* z6 _) J7 [# g
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)
    
13.                     {
    ! l9 i1 H" Y" d
14.                         Uri uri = new Uri(url);
    ! G7 U# W* h9 B. _8 D3 |! t8 i
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    * ?4 Z+ \( E3 S; i+ ]# V
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    - a/ \% S. p: h7 D- Q. P
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    % Q9 n. Z" v, r4 X- I+ e& u' H
20.                         }
    
21.                         else
    + d$ o' \- n: Z: |; i% S4 f3 m
22.                         {
    " a9 H% P# e) y( R( H, H
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
      q2 |/ Q5 s# K& {+ H3 B" ^: w* a
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    ' j- W5 O) [$ @( ~3 J; Z
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    1 s( J! g1 l& p! y
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    + `0 q2 H  M9 B! }- z0 D
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    " N3 o; A/ S* Q7 X3 y
36.         }
    
37.         #endregion

复制代码

2 ?  c# t; `+ q6 K9 g

1. 
   ! T5 ~& P1 T0 h+ e3 Q
2. 
   
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   $ R1 @1 q& X' ^: k
6.         /// List<string>去重
   
7.         /// </summary>
   . v( O/ X9 D$ {, P% B
8.         /// <param name="list"></param>
   % K. E, S2 c! B$ V; E( f! _: `8 c
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    * \$ F7 j+ J  m; v; o$ w
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    : @' M! Y# r0 m2 {% B5 k6 W5 a
16.                 if (!hash.ContainsKey(s))
    + g# E; o3 C1 [; N) G& ^' P
17.                 {
    
18.                     hash.Add(s, s);
    - I. U) U8 U- E; K  r
19.                     list1.Add(s);
    6 t$ O$ ]. @) S5 M
20.                 }
    
21.             }
    
22.             hash.Clear();
    2 \9 A1 t4 R, l5 Y! Z
23.             hash = null;
    9 \& S  f+ n  y- O  g; Z
24.             return list1;
    + `  ]: ]9 N* K4 o+ h1 W" g8 l
25.         }
    . g' m  {$ g3 q! ^
26.         #endregion

复制代码

/ O  W; {6 T9 j4 B) }) V3 s

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
4 |" \0 r, s+ H- T) y十分感谢！！！非常感谢！！

缺少一个gethtml,用下面这个：
0 A# ^% \$ @2 W% E2 N5 U0 Z% H2 i

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
   . ?; K0 |0 [& k
2.         {
   
3.             string strWebData = "error";
   
4.             try
   # |" G# [0 s1 G9 y
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   " q6 g% Y9 u0 I" r6 y% P
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
   3 f0 X: R* y9 S7 w$ x
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
    ) i3 X! h0 O3 ^; T: y. X
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)");
    1 }! k" a. q2 O' @( k0 ?6 R
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。
    # b' K) ^% E; C1 {* M: \
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    # y* u5 A7 D; |
16.                 //如果服务器要验证用户名,密码
    % c: ~+ g; a0 q4 S
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
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);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    : O( n% m9 g, f* J% y' e) K$ ?
22. 
    
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);
    ) @# L1 d. J8 X0 j% z6 M3 I0 n1 r
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    9 i# O1 r" B" `* {% B
30.                     charSet = charSet.Replace(""", "");
    / P3 {- D4 O* |4 [
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    - T7 x* q% w2 b( R% D8 q% `
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    ; E. m. n5 C" N5 _/ y
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
      F2 ]; Q1 T2 |$ @7 R
41. 
    0 h2 s+ ?- d3 V) {
42.             }
    7 U3 S1 ^4 \7 w8 K8 I  h2 [, S0 u( m* E
43.             catch (Exception)
    ( x1 i$ ?7 j1 c: j1 d
44.             {
    , i7 u% b) }& p1 s  r5 h
45.                 strWebData = "error";
    ( ^/ Z4 p  ?9 [
46.             }
    
47. 
    3 D' N$ R# n$ A
48.             return strWebData;
    
49.         }

复制代码

6 j+ t" [5 C3 u

PowcAncn

weishaneweishane