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
) P! {$ F; \' @( x5 G( G4 s: Zhttp://a.com/bb.html
% K# j; Q0 j& D/ F8 Y3 l能自动去重复

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   3 E7 c* Q+ _9 [' ?
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   ; N; e# {+ F# s/ R" `. ^6 q! W
7.                 string strhtml = soso.getHtml(url, "", true);
   # |- c5 c) Y9 X6 B/ ~
8.                 if (strhtml != "error")
   ( r  d' i) w4 ]& ~. `% R0 {- C
9.                 {
   & L9 i, y; q3 f$ [/ P2 q% t5 B
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    1 F7 S4 `2 z: o! F9 ^- P
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    / b. f* h0 h/ `9 T2 g3 u
13.                     {
    3 ^$ ]9 B& |! n. v+ S
14.                         Uri uri = new Uri(url);
    ; ?7 V& i4 T) n' P8 q4 c
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    * _/ c8 Q( o; ?& A1 j: G
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    ( c( z( f# ?3 Q; u
19.                             fullUrl = m.Groups["url"].Value;
    $ \* w* ?  g( t0 X" P4 d; i, ?
20.                         }
    
21.                         else
    ; m" o7 d) g. T0 v/ _! i
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    . K6 K4 F0 ?7 Z% U, j
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    / r8 V0 ^7 n/ N& Z1 H2 P2 S; s
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    5 j+ e+ S6 D, X4 M  {. [
30.                     }
    ' H  ?6 ]+ ]- x8 d
31.                 }
    8 f  O: K! P& I+ D6 T
32.             }
    * B$ x( Y, v9 k3 T( _  Y
33.             catch (Exception ex)
    
34.             { }
    4 w* }2 N- h8 p# ]' S7 w2 v+ p9 s# p
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

* B" z% z6 ^: j' ?+ ^

1. 
   & z$ d5 H& P' Y' J# J+ w8 z) ~
2. 
   
3. 
   
4. #region 数据去重
   + Q) G5 Q7 ?, f! u3 x+ V
5.         /// <summary>
   + y" @3 p$ q! s( s$ `- \  Q4 u% o
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   $ p/ U0 U8 @) U9 M7 Z7 Z* q4 b1 D: G
9.         /// <returns></returns>
   4 J& c. r  e; o" h5 R
10.         public static List<string> getUnqueList(List<string> list)
    4 r  q: K: p- d9 q" O1 C$ b: @9 ?
11.         {
    ' r3 d3 I! ]% L# y$ ]
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);
    $ f( [% p# ^0 R7 x! O' X
19.                     list1.Add(s);
    3 f' [% J1 z7 |9 L2 Y8 ~1 q6 {% ]
20.                 }
    8 E' F* t: _% a: N& `# q. [! w! g' c
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    - D2 G$ f1 _- I- S. l/ H
24.             return list1;
    $ ~+ x% ]% ?8 B, U. ?( H
25.         }
    . q0 j. t1 M: I) u& f
26.         #endregion

复制代码

+ t: R! q2 z9 x8 k+ c7 }0 g) {7 V

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：
! V5 ?) z' j9 M8 ?! h

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
   : s1 i( C4 x% ?+ L* Y- a( ?% \- g
2.         {
   - x" a5 }( q4 f5 f& e
3.             string strWebData = "error";
   
4.             try
   
5.             {
   * D/ N1 j- o( [  A+ i/ G! ^
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   ! @( V% S# `$ U  ]
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
   & e  P' V; b! x' K; Q0 \+ z
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
    5 h, H" D# M5 n
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)");
    + t5 w) S/ Q& N0 A/ 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。
    0 ^/ L1 r4 b) [- c
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    , l1 f- z- ]8 l$ h+ x& N; V
16.                 //如果服务器要验证用户名,密码
    . c1 C7 X! I* p, ^5 T6 v0 [, R
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
18.                 //myWebClient.Credentials = mycred;
    ! v6 T+ V& @7 s4 g. e
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）
    , k) d* T: \& E
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    2 @  P# W5 F! q3 H
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    9 ~" @  h& a" D8 ?% t
22. 
    ; s" w$ W- S4 x% i. s% i5 ~
23.                 //获取网页字符编码描述信息
    ( O: H- w, m1 T1 [+ z' G
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    % q& I( f1 M4 @$ W1 l
27.                     charSet = webCharSet;
    , h6 F6 P9 ]; Y4 y- f; p5 M4 ]( w
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    ( i. r) T9 \& M
31.                 }
    3 b7 v8 E3 t6 i/ p3 A% D1 |
32.                 if (UseUTF8CharSet)
    9 c5 I( @1 e. O$ ^6 Z+ K! z5 @
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    3 _3 b! ?# o* i2 p# B) D
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    2 Z" b2 x8 [+ B$ ?! k' ~. G
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    , S( ]3 }9 E; L, e
41. 
    
42.             }
    ! v8 Q! c9 u  P+ A5 c
43.             catch (Exception)
    
44.             {
    + d, O/ M* `! O' D. x4 ^
45.                 strWebData = "error";
    8 Z! U- g, I6 h# c
46.             }
    
47. 
    * S2 e- Q. @! X/ c  y+ t
48.             return strWebData;
    
49.         }

复制代码

8 ?& C- R8 ]. H- @6 L+ o( P

PowcAncn

weishaneweishane