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
7 b5 ~- B1 c: @. y, b2 o5 V7 ehttp://a.com/bb.html
) Q6 X4 y* E1 D; t. L能自动去重复
; }, x" A, O; F# H! G

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   8 w% T5 D5 `: Z; M% p7 v% G
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   / o8 i. v  M; n% L3 c. b
9.                 {
   ( x: ~& v, v# D
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    4 r; |1 g: v6 p5 O! v
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    1 X1 A& t8 e. @+ c; S9 [2 `+ {
13.                     {
    
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"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    ) V% ?& L1 Z4 Q
20.                         }
    
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    4 g" m5 U2 b+ {& e) P& U4 o
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    ( e; J" e, C* m$ f2 y" K
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    & `' S3 v0 U+ N5 ^8 |
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    - B$ J' r& ^5 u/ q% ]
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    * e! K% Z! S4 O, g2 Y
34.             { }
    ; R2 u4 }# u* A4 C0 t& D% m
35.             return allHref;
    
36.         }
    ) ~& t3 w% T1 f3 p5 W
37.         #endregion

复制代码

% k. C9 U. ^, C
# U" `) S7 i# }) y% B

1. 
   
2. 
   * T( b$ O2 r* i9 v; y# b7 l+ J
3. 
   " g# x2 }4 q" Z1 @
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    3 Q! c3 ^3 Q8 t3 x% E( c7 t$ ?
11.         {
    ) Z( G9 y2 f" T. Z7 ?/ W% M) w* ?4 E
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.                 {
    
18.                     hash.Add(s, s);
    ! \" w4 i+ u! l$ ?
19.                     list1.Add(s);
    * [( w+ U: g7 W, [5 P  C
20.                 }
    * u7 F0 L! G, S. U: ^% u+ u
21.             }
    
22.             hash.Clear();
    ; H, x% Z* J6 A, ~8 ]! H6 ^0 {
23.             hash = null;
    , }6 }( ^( f2 X7 _8 y; x; p
24.             return list1;
    ) a: q* M: p  N8 d; h9 [$ R
25.         }
    
26.         #endregion

复制代码

$ J* d5 A+ L* B

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：
. X4 \" E" y& {

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";
   2 n7 M/ F& T) x" {( X, n
4.             try
   ; k) A+ q3 S  z7 a
5.             {
   0 w* P" Y# u# \
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
   & l7 N. _- ^; y' d6 V& k
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   ( j: N  c: d$ M; w& c/ h, `( ^
10.                 // webclient.Headers.Add("Cookie", cookie);
    . J5 O8 A% \& O! o# p1 f# [8 P
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)");
    
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。
    7 k0 Q2 \) P: H0 U# J4 z7 y- N
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    9 N+ d! M. q$ Y& G2 l
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;
    9 X6 e% r: x' H9 D8 Y% i
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）
    ! G! L! {  B3 {3 Q( K
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    ( f3 D, e+ i% [9 P, ?8 Z
22. 
    - D0 [6 l  X; g. C; Y+ }
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);
    . D& J; f' g- N9 u  [8 G) E' s! ~
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    - M$ y) [5 m; P9 x% B- t! Q
26.                 if (charSet == null || charSet == "")
    8 _: D6 U; d$ \7 s# i
27.                     charSet = webCharSet;
    3 p9 O! Z. w% Y9 T
28.                 if (charSet.Length > 0)
    8 [8 X0 H2 p, D# u* s: e
29.                 {
    / b2 h3 F1 v. M* t3 `
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    1 |6 h2 r3 x7 @# D
33.                 {
    7 e* K0 @% b( x% q" w9 n, v4 z2 C! G
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    & ~4 M, J8 d% p) M8 G
36.                         charSet = "utf-8";
    + Y+ y/ z- r( C' B% Y
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    ! |1 O/ e. `4 l$ J4 @6 \
42.             }
    
43.             catch (Exception)
    
44.             {
    4 V3 v; ?" B( r, q
45.                 strWebData = "error";
    + V6 ]9 n3 a  t
46.             }
    ( A/ c0 ~" p! T8 t+ B
47. 
    9 F$ P$ X4 ~1 Q
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane