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
) n3 m0 m( h+ o& e" A比如：
: q. Q+ M/ H2 ?6 }. z/ f" s5 [2 vhttp://a.com/b
http://a.com/bb.html
能自动去重复
& X1 i) n) p& ?

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   & U2 B. _$ N, y, W6 U- |. c
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   
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>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    / m( d& [: C9 C5 R( G0 K
12.                     foreach (Match m in mc)
    6 J; s4 g) u: o- |3 N+ T
13.                     {
    
14.                         Uri uri = new Uri(url);
    2 H1 {5 q/ \& l0 `& y  N5 k
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    ( P: f% e& x# g! ^0 g
18.                         {
    & V: T$ j+ b+ g% f2 B
19.                             fullUrl = m.Groups["url"].Value;
    , M6 @; ?7 L4 L. ]# y  U' q
20.                         }
    
21.                         else
    
22.                         {
    + [6 Y! Q- |& N0 i) G
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    9 G' h. ]0 {9 t2 j7 B% |* x
25.                         allHref.Add(fullUrl);
    6 Z2 e. A- e9 S, |8 E
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);
    * S/ c+ k+ F: e* T: P4 p: R' N
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    4 }! r. G4 I7 U8 ]) @- T* t' A
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    4 a; A; i! b1 @
34.             { }
    7 h0 B7 h" T' w; q0 m, z. x
35.             return allHref;
    & S8 F# Z3 z9 V, U
36.         }
    ! O1 c2 H/ D9 u) L. v
37.         #endregion

复制代码

. M7 ^5 ], A: a* R/ X

1. 
   
2. 
   
3. 
   9 d# D3 t( J$ A$ X* R, O4 d" {* Q% T
4. #region 数据去重
   0 S, m1 J$ N8 ?, N) _. x* m
5.         /// <summary>
   8 h( A; f& X5 p
6.         /// List<string>去重
   - ^6 U$ a+ h- |
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   $ g0 I2 J+ {, u4 L- D
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
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);
    $ U- s6 v' x* I# x0 H4 b" O2 `
19.                     list1.Add(s);
    1 a# j% ]$ W+ _) g
20.                 }
    
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    1 ~) d! A6 _7 w; i0 _- c
24.             return list1;
    
25.         }
    4 V+ q6 q0 O* n, X4 q
26.         #endregion

复制代码

# a3 V. a% a6 s
2 q+ E7 e1 M; U2 R+ A, Z

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
7 p# J/ K4 {! y6 B* d0 v3 ]3 i十分感谢！！！非常感谢！！

缺少一个gethtml,用下面这个：
8 u6 Q# ?$ h4 ^2 e4 N: M/ J( e4 u& s

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
   & G+ U8 A' o  G# y6 U
2.         {
   
3.             string strWebData = "error";
   2 m) x' E  w4 V/ z: S! Q
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   9 U8 W+ V; O, P  O9 s; Q
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
     K/ ?9 k$ Q# ?; d; y2 N9 U  o0 ]
10.                 // webclient.Headers.Add("Cookie", cookie);
    4 {* p( d2 B- U2 C8 Z
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    % I7 a' y5 X/ s* M
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;
    
16.                 //如果服务器要验证用户名,密码
    : g9 u! `9 U7 u% @
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);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    
23.                 //获取网页字符编码描述信息
    : V5 }' o9 }% Z9 L7 f
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    % s! ]# d" }6 X; D- [# Y$ E( ?
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    & N9 A- ^- J+ W8 g! C5 v" M
26.                 if (charSet == null || charSet == "")
    0 t8 q6 W( A: Q- h2 v
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    / u3 s" x! F1 g$ W& [7 d
32.                 if (UseUTF8CharSet)
    
33.                 {
    - n2 m- _2 `. }
34.                     if (charSet == null || charSet.Length == 0)
    1 l+ o6 C; A8 S( u
35.                     {
    1 Y; I: s# i3 T6 b0 n' n
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    # W: ~* x1 P3 g, x, E5 d: Z
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    : K6 [: |5 _- o2 N2 Q
42.             }
    0 `" D0 T; o4 Z& T4 C
43.             catch (Exception)
    
44.             {
    9 c) A1 l2 v9 I+ p4 W  s
45.                 strWebData = "error";
    ) r5 X' W6 n) n" D0 F0 D1 o0 K
46.             }
    
47. 
    
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane