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：
) j8 `0 V2 I. l6 H; Jhttp://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
   
2.         public static List<string> GetAllHref(string url)
   
3.         {
   6 [, D( [9 G* p% _2 b
4.             List<string> allHref = new List<string>();
   2 S0 S9 Y# ?1 ]3 K( h8 J" M0 [
5.             try
   ( }- M" C$ i2 X# E( K8 j* [. ~
6.             {
   7 z' f8 S1 L3 W' T$ K" c4 V
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   , O6 h- Z4 n$ N: @
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    1 A$ V- o  X' n
11.                     MatchCollection mc = reg.Matches(strhtml);
    ) T  }( Z: y$ v- m; ~
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    & `, [' u# r; C/ w0 ?4 y
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    % Y1 @  k0 {/ D6 {4 a5 B- _8 {
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    ) P/ x! I! Z' Z' s' F
21.                         else
    ! L! K. i0 Z9 w) I. _9 e0 T
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    2 v6 L9 |6 K4 u6 A) M6 p: t4 o
25.                         allHref.Add(fullUrl);
    
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);
    * h  X( R  c' }' k# z8 z6 G
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    6 z0 b# v; o0 E3 g; A
32.             }
    ' Y. W0 j+ G& p$ h
33.             catch (Exception ex)
    
34.             { }
    0 S% Q' `0 [6 \
35.             return allHref;
    & `, E7 b# Y5 N: _) K* T+ E. b
36.         }
    , X' T: Y: n* y( Q
37.         #endregion

复制代码

+ H$ J. F0 H& ]0 V9 U& B
9 y8 ?& p4 k6 ]) r

1. 
   
2. 
   
3. 
   ; e- R; P4 [( [7 k
4. #region 数据去重
   % y; Z& A( Z8 {# ?2 `# U
5.         /// <summary>
   ) S! c- q0 C7 x& i6 {1 p  v
6.         /// List<string>去重
   / g# g: \4 x; p; J6 s" @8 f/ U7 a+ D
7.         /// </summary>
   ( Q- r1 O4 F/ R/ @
8.         /// <param name="list"></param>
   . i8 r; x# s% o4 z& J
9.         /// <returns></returns>
   9 ?2 U+ m8 q! g0 d4 t" P
10.         public static List<string> getUnqueList(List<string> list)
    + a6 [6 }& E6 N1 M6 ~
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    - J  }0 ^0 D; P0 S. s
14.             foreach (string s in list)
    ' C" Q, a- X" K* ?3 E" M% n# ?* Y* ~
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    # E& o3 [2 A0 n' q5 u. ^  t  x8 m
21.             }
    3 x. {6 R0 W5 o# t
22.             hash.Clear();
    ( D$ G% F( S: P; i. N5 s
23.             hash = null;
    
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

- G7 @" o9 }# _- n4 v' G0 q
; W& e* O+ ?5 O; e

guys

李小冲 发表于 2016-2-26 16:17

5 ~' O. G; W. X  V& A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！！

) a  B& v, _8 j2 c! @9 r7 T+ M9 n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 d1 H8 m5 d* _2 o: m- F
3.             string strWebData = "error";
   ! A" p$ e' t/ S- U+ q& H' N% [3 ]
4.             try
   
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
   & l1 I  V3 k" o4 h
10.                 // webclient.Headers.Add("Cookie", cookie);
    3 p: @) K( v& |( c* K, q6 F2 o. }+ q+ 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。
    
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    0 P5 Z0 D* c) U+ @% j
16.                 //如果服务器要验证用户名,密码
    . i( y' _& G" C8 S/ F
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
18.                 //myWebClient.Credentials = mycred;
    : Y* E0 v( Z3 ?' C1 |! J
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）
    * o1 ~2 Z  r- G9 x" t( E
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    ( y0 H- R, [: s2 g$ P& Z+ c
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);
    0 J0 v8 T4 k" _# q% T4 f: ^
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    & ?- l$ C1 _; }
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    ; H9 j5 d4 c0 H5 o
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    $ ]: T# F, ]% `' V$ p
31.                 }
    % J9 L  c+ \: i
32.                 if (UseUTF8CharSet)
    % I) g2 Z; ^' v3 Y8 l
33.                 {
    * d/ P2 @( O5 E% W  J% }: z
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    5 ?2 @8 ]: A6 Y9 J2 c+ @
38.                 }
    ) L. @4 L2 t, a
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    % Z2 Z: R! F) W: O2 J- D$ V& J2 A
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    ) \5 y% g7 R; G9 \& K( X
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    
46.             }
    
47. 
    
48.             return strWebData;
    
49.         }

复制代码

2 h4 I& C9 Z- p

PowcAncn

weishaneweishane