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
能自动去重复
* e8 g" a* c/ G- m0 ~

李小冲

1. #region 抓取全站链接
   4 G( ?+ w- l7 Z2 K5 [9 k' }
2.         public static List<string> GetAllHref(string url)
   
3.         {
   # F: e" s3 Z( K5 {# ]: \! z% F+ l0 z
4.             List<string> allHref = new List<string>();
   # Z6 p9 i, g: x2 _: ^
5.             try
   1 ~& i. E* d' l  v% u5 P9 f
6.             {
   " n  B: w/ @, ~; ]) D1 Q* N
7.                 string strhtml = soso.getHtml(url, "", true);
   & `. l% x; x9 F1 s3 |
8.                 if (strhtml != "error")
   
9.                 {
   8 t$ J9 A: R2 }. ^7 Z) l
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    : E. j5 X- g1 O/ j7 _) w( {( `
12.                     foreach (Match m in mc)
    " n% ~: A8 u" W1 ]. [5 Y0 t
13.                     {
    2 X8 c" }  x' `, C: p/ d
14.                         Uri uri = new Uri(url);
      h, B* {. w' V: c7 F6 M
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    " \, e. s) y9 Y" W
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    1 t; J) }0 }& Q
20.                         }
    
21.                         else
    : z) V( {5 p! j& J$ x# w
22.                         {
    2 ]8 F4 m$ i% T. [4 @4 g) H, d" V% A
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    * a* V0 o; D0 _' L- M' F
25.                         allHref.Add(fullUrl);
    ( s0 N8 Q$ \0 s' A6 {
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
      G! r, Q- b, d3 x
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    & w( i  \: @+ R9 g
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    4 D' y7 ^; c7 N9 t# Q
31.                 }
      b5 g* v8 F3 N' b! ]
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

5 @" i+ I0 X, J4 _$ l
8 {0 L+ q( E. Z+ a5 }2 N% k

1. 
   6 o7 ?9 Y6 C- B5 @% v* y
2. 
   9 ^) ?* z: u% q/ \
3. 
   0 V! D# M. v1 ~  r
4. #region 数据去重
   : Y$ @/ w) S0 F; s! o+ L
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   7 `( M- ]! ]. w! ^
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    3 ?, e5 _: ^! m: L
11.         {
    % w- A/ X# f% W' V8 O
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.                 {
    + p( A8 q+ |" P, l4 d6 Z. U- G
18.                     hash.Add(s, s);
    2 l+ L# `4 b; Q7 R7 R  T
19.                     list1.Add(s);
    4 D# \; G! c# v& s6 I
20.                 }
    ( Q3 c0 x% B% U) i
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    
25.         }
    ! }1 V+ h& w; g0 X
26.         #endregion

复制代码

3 V( X9 z: E/ R2 b8 N

guys

李小冲 发表于 2016-2-26 16:17

5 |8 i) g; k. q) Q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！！

& y( L1 b6 @. a0 J  |缺少一个gethtml,用下面这个：
! J' W7 d$ E: ~8 q

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
   - X! d* |1 v. J# a0 v( O5 o
2.         {
   # b, @" {* t% I! k6 f7 I) T2 I
3.             string strWebData = "error";
   ) |0 u  ^, W' C$ ]
4.             try
   ) p$ Y* o  Y( {+ |
5.             {
   ' h2 J9 v5 r' j7 x
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   
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);
    
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)");
    3 c1 |; g9 D5 J7 N# R0 h) Z4 F9 m
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    ' T8 X  u. P+ u0 Z) t! ?
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。
    ) W+ l* K. P& U
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);
    ( j, P# H, l& ]7 r
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);
    1 g. ^) \7 t' w6 e' i; }* ^0 |
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
      ^; f1 s( }' v# E& l8 X. v4 ]
22. 
    % p# G2 ]: I' U
23.                 //获取网页字符编码描述信息
    4 S+ ?% X$ P/ x9 M- e
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    5 _8 e& P* M; g0 a; d% f
26.                 if (charSet == null || charSet == "")
    2 x+ g  M- b$ M" E3 u$ w5 ]& h
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
      r8 i# y5 g# W3 g' e( O
31.                 }
    
32.                 if (UseUTF8CharSet)
    ( a) E/ F# a( z
33.                 {
    ( D9 d* v2 J( y" `/ c# A6 q! {
34.                     if (charSet == null || charSet.Length == 0)
    + ]! E/ ~9 ]6 K* H% V! h  k
35.                     {
    
36.                         charSet = "utf-8";
    8 N  w" ?6 ~7 ]) \
37.                     }
    ' V( O, N' V- x, c
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    . X' n' z. S* X  X3 r- V
41. 
    ) d6 S8 F. ~: r7 J! J
42.             }
    ; n0 s$ _6 k% Z; c
43.             catch (Exception)
    * s. ^# ^& F" j) ~
44.             {
    1 h( x1 K1 ?* m( o: Z, @
45.                 strWebData = "error";
    
46.             }
      B% B3 S/ o5 j7 O$ I& b1 T
47. 
    
48.             return strWebData;
    
49.         }

复制代码

& s6 w9 ?$ q7 B
8 }& L1 U! {$ h2 m

PowcAncn

weishaneweishane