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
4 X1 h% W) S  L1 L/ m能自动去重复
' j; T2 c& [- D. V

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   
3.         {
   ( W1 ~) K# Y* F. `
4.             List<string> allHref = new List<string>();
   
5.             try
   8 r+ V& `6 y3 m! i" T, b
6.             {
   ! Q, }/ O2 j. m8 G: M' P
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   ( ^0 _6 Z& v) ?
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.                     {
    0 `6 s8 I2 ^5 C( t  W8 j# y! L
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    : _. ~5 I+ B  @0 p+ |  N; U
16.                         string fullUrl = "";
    ; z1 p9 `' x5 h
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    7 f! ~6 V" F* c) w" P# A5 Y4 K
19.                             fullUrl = m.Groups["url"].Value;
    % n3 h2 C. O# G# M7 h
20.                         }
    & A6 a( ?4 O# I8 i$ z3 S
21.                         else
    % e  I6 F7 ?. w1 ?8 x# j
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    % \# r- z5 z8 L9 p9 Z
25.                         allHref.Add(fullUrl);
    ( F. V: n& r2 J/ O- l0 w
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    + @1 Q4 v7 T4 ^2 \( ?7 p
29.                         //Console.WriteLine("…………………………………………");
    . K* n* \9 u4 ]) P# }/ w/ P
30.                     }
    
31.                 }
    
32.             }
    
33.             catch (Exception ex)
      Q' I  j  N% V& N
34.             { }
    
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

* v; u/ w  L( L7 B  H; T& g

1. 
   3 t: `; P! K: {1 q* \2 r
2. 
   
3. 
   
4. #region 数据去重
   2 U& i, t  g+ W) ^- g
5.         /// <summary>
   
6.         /// List<string>去重
   " T/ f! t& s; i' F" A- [
7.         /// </summary>
   / s) l' Z/ ]7 z3 @8 Q% w
8.         /// <param name="list"></param>
   + W3 c5 G  P4 {
9.         /// <returns></returns>
   % Z* ]6 d, S4 d! J
10.         public static List<string> getUnqueList(List<string> list)
    - P$ O3 [6 q" Y8 Z: V1 Z
11.         {
    1 p2 A& b/ n$ Z8 |; x# h
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    " i  }. A3 A% o6 O2 C
14.             foreach (string s in list)
    ) N  p4 l! t- g' d$ \6 V% j
15.             {
      q# ]. m7 v8 ~9 a) z5 r
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    & i7 k0 M3 C. R7 U: B% U
18.                     hash.Add(s, s);
      x( x! i: o! D$ Q! B
19.                     list1.Add(s);
    9 M' g. U8 T$ I+ i; F4 i/ a. G% O
20.                 }
    * x* I) p1 U, b* f: v7 [  w. m6 d8 d
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    * h. S: I. t" Y# n& G" @
24.             return list1;
    
25.         }
    2 i3 {. L+ k% M# {  K; Z1 K" Q- f9 f
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

& b" r& ~7 u+ {" B0 H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！！

$ B8 h5 y$ L$ U6 t. p' i# S缺少一个gethtml,用下面这个：
7 }& z1 K1 k$ B( j% 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
   6 K, I$ T# I& k5 n
2.         {
   
3.             string strWebData = "error";
   
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   1 F, d" k7 |$ \7 ^* c0 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
   + w4 N1 r# d, O* m, y2 Q
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 r0 i, I( @5 }! q, E7 R
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    ( n  C5 X- ^' U; K$ L* ~
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;
    9 Y/ G/ h/ N, c' q8 A
16.                 //如果服务器要验证用户名,密码
    
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);
      Z0 |* x+ u2 n. v  U
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    
23.                 //获取网页字符编码描述信息
    2 {% P' f. K$ I8 c* j( o
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    : d( r6 o. U) I) }9 i3 A, Q
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    / N- q* K7 T( r$ r
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    8 Z& l+ c" }% q# J% N5 s
29.                 {
    8 W5 R" C* U2 l  ]7 t. r- _, V
30.                     charSet = charSet.Replace(""", "");
    & h/ w) ?. s/ E
31.                 }
    
32.                 if (UseUTF8CharSet)
    & h2 Z, s8 Y8 S: O0 f1 ~6 n& D8 q
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    + g9 ~1 k4 y6 d' v/ P7 u
35.                     {
    : w7 R; B8 D8 a4 a
36.                         charSet = "utf-8";
    3 i2 H/ p; S# c) _  b, H' m
37.                     }
    * r' L) @- g1 p( y
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    5 \* l( z  D3 W& F
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    % J) h$ z! O/ ~1 n
41. 
    & w$ C( l# s8 G9 F) z
42.             }
    + Y' m8 b& U; R1 P
43.             catch (Exception)
    # L7 O6 S8 p! k. E
44.             {
    
45.                 strWebData = "error";
    
46.             }
    
47. 
    
48.             return strWebData;
    : }( w. K4 \  K5 s! A% x
49.         }

复制代码

0 u; K, d7 J) G% \

PowcAncn

weishaneweishane