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

李小冲

1. #region 抓取全站链接
     q4 C# W$ q5 y: A! A/ G* h
2.         public static List<string> GetAllHref(string url)
   : r$ a% y! G8 u
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   ) n) y2 O" ^9 o: B/ Z
9.                 {
   + M( U) b: A- I0 C. N5 e
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)
    / V( A8 p# z6 @! d( [. d
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    ! O8 ?/ |" \! |" N$ E+ O& F8 r
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    5 t& d/ L' h  B/ i$ B
18.                         {
    ( d3 u3 e, q; d/ K
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    
22.                         {
    , z( G5 y" J0 p  c) Q; G
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    4 J4 I, _0 }7 X( G
25.                         allHref.Add(fullUrl);
    ( g0 Y8 X) @3 w. r6 [) b0 v7 n- D
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    # L2 R# ]% j# L5 X
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    8 B& m, e+ @! }# J" X, D3 y
29.                         //Console.WriteLine("…………………………………………");
    2 _+ _$ t" P# H' R6 x
30.                     }
    
31.                 }
    4 y9 K' [' m, H' d
32.             }
    
33.             catch (Exception ex)
    - w7 v+ D+ ~1 e6 Y4 L2 L9 d9 P
34.             { }
    
35.             return allHref;
    
36.         }
    5 y7 M6 I& j; S" Z( Z( S' Y; h6 T
37.         #endregion

复制代码

0 `6 O0 l- F7 K2 r; T  d  I* v1 r
# `7 R" h+ W- ]; S# M

1. 
   
2. 
   
3. 
   ( S% Z: N- p% h/ Y7 Q6 B
4. #region 数据去重
   
5.         /// <summary>
   ) F0 c  O( m3 B- I& V* u; V
6.         /// List<string>去重
   . U- c4 Z+ e& G. B9 `7 H
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   5 I1 g( X" m- Z1 h$ h2 ~% e8 |
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    % H/ [; h) s' v! q  ?5 b( H" O
12.             List<string> list1 = new List<string>();
    * u: Y' K* j; n0 @" e" u: O& `) b
13.             Hashtable hash = new Hashtable();
    - l2 m! S  N& e, v. {4 Z
14.             foreach (string s in list)
    
15.             {
    - r3 P5 a% `6 c& E
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    * Q0 p6 F3 n. i
18.                     hash.Add(s, s);
    ! c: E- B0 p, d  M$ M* }. ]7 B/ g2 N9 A
19.                     list1.Add(s);
    - O! Q+ F) {7 U' Z; n* j( y
20.                 }
    ; m0 C" s' L: P, O  X6 Z9 u& K- g
21.             }
    : g, n3 S9 p* L2 t" |+ P5 j- T
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    9 g9 i, x1 C' E6 T9 Q, R* Z
25.         }
    
26.         #endregion

复制代码

6 }1 p- Q  P, @( }5 f0 Z

guys

李小冲 发表于 2016-2-26 16:17

& i, p% R7 `4 i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：

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.         {
   
3.             string strWebData = "error";
   
4.             try
   # L  e# b7 y* `4 J7 z, n
5.             {
   4 p4 ^4 c9 s* l# F( r, |- T6 l4 q
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
     }8 J' h5 B! d* `( B6 ]
7.                 // 需要注意的：
   % _5 F1 D+ A$ c- _3 D' r2 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
   
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   # U3 N5 x% {6 ]; D) {" W. \
10.                 // webclient.Headers.Add("Cookie", cookie);
    " B" Z6 l. d# L) y  G; ]
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    # o2 `. H; }* c! D
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)");
    7 Z2 o' x7 L6 L0 X& ~
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。
    - @* |8 v2 @2 s2 @
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    5 a, {, r1 {3 s; u0 g
16.                 //如果服务器要验证用户名,密码
    5 r9 C. V! [6 s- ~: M1 N1 J! W6 t  Q0 \7 p
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
18.                 //myWebClient.Credentials = mycred;
    " [7 _- q0 H- Y" R! h
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）
    9 m8 v; T/ G; B4 t/ l: K
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
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);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    # z& H! x# K0 t$ u- ~
26.                 if (charSet == null || charSet == "")
    + u+ u* N1 |) ~
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    , D4 M1 a3 @. C7 T
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    0 M% B) w6 j2 p* N3 z1 M; d: R* F
35.                     {
    
36.                         charSet = "utf-8";
    # P0 ^; c: ?% v2 y8 \$ s% R
37.                     }
    + `- n  W3 Y- Z% }
38.                 }
    6 k: e# F) N+ j
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
      N* r' e+ N8 H) p
41. 
    
42.             }
    ' H. U, e  z; F+ l  H0 _7 E/ s
43.             catch (Exception)
    
44.             {
    ( p* J. r. _, z
45.                 strWebData = "error";
    
46.             }
      B/ i( A  ^& Z
47. 
    8 r6 v1 Z& l$ s5 ~9 N' [6 E8 b
48.             return strWebData;
    % F! K% T: T8 O2 _9 \
49.         }

复制代码

8 I( C0 t% s* l

PowcAncn

weishaneweishane