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
. v1 ~) Q& m* M8 xhttp://a.com/bb.html
, h& d& m% @8 R' Z* Y能自动去重复

李小冲

1. #region 抓取全站链接
   ; R: l" t/ {, ^
2.         public static List<string> GetAllHref(string url)
   . D( B  R+ T: m
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   # y! c% B; z: V
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    * y& p- U" v: \' K
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    : ]- i' W! L6 Y# p; e: {0 d3 X' _
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
      _) x. a3 }0 u# o
16.                         string fullUrl = "";
    7 O# M, u& S6 y9 N: j1 Y7 B% T5 B
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    ! [. I8 \( c9 A) l# N
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    # q5 z3 S& O: w: W
24.                         }
    
25.                         allHref.Add(fullUrl);
    * S# Y/ G7 f4 V( e) u1 x( f
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    3 \. j2 ^$ w( f/ W5 R
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    ' Z/ s# u: y7 H
30.                     }
    
31.                 }
    * z5 ]2 N7 R: O! `& H# e8 E
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    ! c0 d% X6 K" B$ \" v, y1 |
36.         }
    % U( k+ D+ {/ E$ p/ ~8 `: S$ G
37.         #endregion

复制代码

1. 
   
2. 
   
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   - M# s2 {$ v- J0 v8 ]
6.         /// List<string>去重
   4 }2 }4 }' n0 N9 d, _
7.         /// </summary>
   
8.         /// <param name="list"></param>
   ' J. R8 G( ^7 E+ A# v
9.         /// <returns></returns>
   0 U4 S9 e+ e9 L# T
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    ! s9 c  K$ J% X( f
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    / M9 r$ k4 R6 ]! C, R% J
15.             {
    
16.                 if (!hash.ContainsKey(s))
    # U5 R4 m: _8 T8 @; t
17.                 {
    % q2 ]: P! O5 L: F5 A
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    ! `+ I$ c+ `9 f& F% U
20.                 }
    & [# c; A4 O7 l4 K: [
21.             }
    " Y, K6 @4 C. H. d' \- e, _6 |
22.             hash.Clear();
    . z1 A, D3 }" r9 k. H4 j
23.             hash = null;
    : E1 C3 \! t+ `, c. v- ]
24.             return list1;
    
25.         }
    ' p) G8 m* N0 W$ t$ |2 {7 G
26.         #endregion

复制代码

0 @5 d1 u3 ^" K2 w/ ~$ p7 B" F

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
+ L9 _0 t  c. I十分感谢！！！非常感谢！！

8 [1 S5 \" O# ?! O3 X- X) k: |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.         {
   ; F" R2 n7 t" W; @. d: M( _
3.             string strWebData = "error";
   
4.             try
   & Q; T3 Z5 T/ Y4 y+ @: m5 i
5.             {
   
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);
    " M/ @. @  ~' ?' `: i$ ]
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    ' ~1 P$ Q  M9 w4 d4 F2 O; F6 d7 i
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)");
    0 `- n) I( H( X: r) a/ @$ A5 e
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 {$ w4 N1 R! i, E. Q
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    6 C/ ?6 `/ t4 h) a+ j5 Y
16.                 //如果服务器要验证用户名,密码
    6 P% t+ a+ H' @0 W
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    & c4 w7 N' J6 e
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);
    1 e7 B% |% x2 n' H
22. 
    
23.                 //获取网页字符编码描述信息
    . f% r1 X* q- }
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    2 S0 e/ W+ K5 ]+ J) j8 e
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    ' l. D* K1 B% e* b1 |) D
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    ; `3 I& O: K# U( q
29.                 {
    3 Y1 c5 F& D8 c7 W5 _" G" ~
30.                     charSet = charSet.Replace(""", "");
    + @; G) V: \' |2 s+ ~) V) L
31.                 }
    
32.                 if (UseUTF8CharSet)
    ( n$ a4 n+ j$ `
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    ( G; }2 ~! Z) n) c
36.                         charSet = "utf-8";
    5 H8 c7 v8 U; ]/ Q- w$ f; b
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    6 p6 J: V3 U) J# _9 j/ v
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    * w: T) [6 ?& u0 j5 `# e% h
41. 
    3 M7 Q6 D" t" s
42.             }
    
43.             catch (Exception)
    ' m* v9 a4 `/ b9 |8 m" K7 Y' l
44.             {
    4 g& m5 i/ H! m; o4 Y
45.                 strWebData = "error";
    ( l0 v& o: N, l% [% v* @; B
46.             }
    
47. 
    & c3 R8 h4 l2 \4 x; M. }8 S
48.             return strWebData;
    8 S) ]% [$ h5 B+ f
49.         }

复制代码

  Q  N% }: J# @. C4 k6 j: z+ a# x0 T
# |  G1 n/ J! F# f+ u1 D

PowcAncn

weishaneweishane