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
* n. ~# I0 [7 u3 Q比如：
http://a.com/b
http://a.com/bb.html
能自动去重复
/ P" H' B6 X, R$ l) `8 a4 @

李小冲

1. #region 抓取全站链接
   # z8 H) z" F. D: H# Z) C
2.         public static List<string> GetAllHref(string url)
   0 V' E4 S9 s, F& s' k
3.         {
   - k$ P. N+ r8 F! p3 F# n' S
4.             List<string> allHref = new List<string>();
   * |5 I9 |3 @/ X" \
5.             try
     R; D4 E/ G4 y: t! R, V2 e
6.             {
   ) b, K* z5 E# _5 `* `
7.                 string strhtml = soso.getHtml(url, "", true);
   ' L0 [( ?" |7 r0 a0 L- g. ^
8.                 if (strhtml != "error")
   
9.                 {
   , g+ E0 Q4 c3 j; h3 N* Z" G0 ]
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    + t7 w- O4 K$ \, r* J1 Y
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    
13.                     {
    2 T5 V$ t+ |( p+ |- }: Q1 Q, B
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    ) t: J+ E' |2 @0 k8 c! W( A6 ^! f: W
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    4 n9 |, _- @4 L2 b& p! ?! R
20.                         }
    
21.                         else
    0 C  Q+ [$ _5 ]' J2 p; \
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    / K* @& B6 \$ f* C
24.                         }
    
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    0 l8 v8 L( a! r1 h* e5 P
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    # X! U% e; x& l7 W
31.                 }
    
32.             }
    4 `7 X5 _4 ]0 w7 d' @& s0 f, v+ A
33.             catch (Exception ex)
    
34.             { }
    7 V+ x8 O0 b9 l1 `& w
35.             return allHref;
    
36.         }
    1 N. t3 ^. p7 p2 v
37.         #endregion

复制代码

$ u$ p0 G( ]- ?  C( M7 B, M

1. 
   * H& U/ |5 l7 a" O$ W5 E
2. 
   
3. 
   1 ^4 b* \! }# N( [
4. #region 数据去重
   
5.         /// <summary>
   , ~1 m+ u- C; q3 ^, B
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    7 a: r4 [& t( T! {$ u
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    - C( j& j) _+ i; Z
15.             {
    " o; D, i- }( q8 {" M! Q
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    ' l* z! K; X% `7 S
18.                     hash.Add(s, s);
    ! h7 ?* h. l4 t( k( f
19.                     list1.Add(s);
    
20.                 }
    + N1 T8 G; `* ?3 r  D# R
21.             }
    , P! o, {1 H$ W& F9 W
22.             hash.Clear();
    - R# {. P8 |: S2 e! r; x
23.             hash = null;
    6 [3 q0 v1 ?# ?
24.             return list1;
    
25.         }
    3 T& u1 h1 x5 ?! ?* M7 u- J/ q
26.         #endregion

复制代码

% y: w& X0 @7 E/ C+ p" n

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！！

缺少一个gethtml,用下面这个：
. ~0 w& c' _2 m2 S7 n0 M

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
   ! ~1 g1 v* J# I0 d5 E
2.         {
   
3.             string strWebData = "error";
   9 ]8 v; F/ {) T5 Q+ n" d
4.             try
   
5.             {
   $ v3 y' @) \8 A- S; m
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   & Y  K- ]5 D5 N; H" c* j! W
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
   ; {- X8 W. l$ o$ I! f+ u2 O& b
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
    - W) ^5 N8 {4 R: B7 r! Z2 i. s$ 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)");
    
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
    6 r% J0 \5 t. a6 Z$ B
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);
    * C3 X) r: J$ P% D! y
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
      F$ P* @5 L6 k) E! t  I2 G
22. 
    
23.                 //获取网页字符编码描述信息
    # ]9 w3 c( N. ]: a
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    & g  K/ p0 Q' @9 e. F4 V' A* ]
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    ) X/ ~* k1 }' x( d* h
26.                 if (charSet == null || charSet == "")
    : H1 f  e: y/ \
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    9 P' N9 w1 |  C8 t
30.                     charSet = charSet.Replace(""", "");
    : s( Z) d' g( A' |8 K: I
31.                 }
    
32.                 if (UseUTF8CharSet)
    * z) h4 k; r  y% D7 `: A
33.                 {
    4 v9 p: P7 b: H/ g' j0 T9 J
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    ) ]: Z5 l' Z* _$ J8 j4 D- q
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    9 _3 A) m0 E8 a4 K% C1 C
41. 
    6 l% v. `% u/ Y
42.             }
    
43.             catch (Exception)
    9 t7 D4 y0 b% C  V  O( @5 p9 d
44.             {
    , s$ a& i. D- e6 H$ \
45.                 strWebData = "error";
    
46.             }
    
47. 
    
48.             return strWebData;
    
49.         }

复制代码

9 ^# ~6 s. m) N: |& \& J: M( r
) O; H+ S  D" ?3 P% e+ y

PowcAncn

weishaneweishane