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：
- L$ p# G# [- }3 M! |' m/ Nhttp://a.com/b
http://a.com/bb.html
5 ?0 T( R. L7 d, ^9 Z能自动去重复
- x4 X, K" i4 j- k/ [$ f% ^! g; {6 ]

李小冲

1. #region 抓取全站链接
   2 \+ Y* K) A& t4 o% w4 @
2.         public static List<string> GetAllHref(string url)
   $ t% r3 o! ~# ?0 F
3.         {
   ; K5 |0 w& ?6 h/ c# ?3 q  @* r
4.             List<string> allHref = new List<string>();
   
5.             try
   , Y2 z5 {3 C% R; L- x
6.             {
   ! u# N4 t0 u' T2 j# c
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);
    
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    , C$ c# m  i' q' d) J. C1 Q! x  {$ u; f
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    ' |& H% c; E( O6 Q' |
21.                         else
    
22.                         {
    0 k7 T4 c- ^7 K0 H: Q
23.                             fullUrl = thisUri.ToString();
    , t7 r0 O9 \" y9 g% N# Z
24.                         }
    , R7 k8 h0 E+ j5 c
25.                         allHref.Add(fullUrl);
    : S3 [/ \5 f; `8 x7 w4 V' f# X0 n6 t
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);
    ' W" f' v: @" j7 L
29.                         //Console.WriteLine("…………………………………………");
    ( [% G  t% x0 L1 r0 I5 r
30.                     }
    
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    9 h! Q: J+ I- _
34.             { }
    
35.             return allHref;
    , c' O3 Y. w5 W' f" [6 c; V
36.         }
    
37.         #endregion

复制代码

1. 
   # S' m, ~- ]! Y0 V# |
2. 
   $ ?! w4 M* g5 E1 d' C
3. 
   & G2 M# U; D' A4 R3 t6 f0 G
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   9 b" [" A7 B7 n% p: }! C
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    % @1 v+ M% _) A
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    9 x- {) T0 r% p, D1 S
18.                     hash.Add(s, s);
    + T9 k: }4 l; T! e) B
19.                     list1.Add(s);
    , I- i4 c' @* ^2 l% k9 H
20.                 }
    / p! }* ?/ M9 t  T4 A
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    5 C- P% ^/ H! V/ j/ d# v% |4 H
24.             return list1;
    
25.         }
    4 c& d0 |3 b4 d  p
26.         #endregion

复制代码

) K# ~! s+ }. W7 A* q

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！！

! u; X- _* d: O: _) X- e" }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
   0 [* I6 a2 h. N3 G- Y3 i
2.         {
   
3.             string strWebData = "error";
   # \; R  H. |7 P: p! y  k9 u
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
   % w) J& v. S# U2 n/ W
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);
    6 d) z2 O! t4 y; ?
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)");
    8 B9 O8 n) N" m% 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。
    - P- l1 y+ ~& f. g7 o4 [1 N2 k
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
16.                 //如果服务器要验证用户名,密码
    " _" b0 ?! F2 b$ j  L) q. @
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）
    9 p# D" W& Y! ^' d. i3 d; m- }
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    ' [: `+ S0 v# t* Y9 ]. I
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);
    1 e0 a/ f+ _' p4 J; Z- {8 [
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    8 Z; z; v# s6 e1 K
26.                 if (charSet == null || charSet == "")
    % p0 j4 n) M: }- }& F7 t3 Y
27.                     charSet = webCharSet;
    ) G* Y% l8 S( j6 P
28.                 if (charSet.Length > 0)
    ( w+ Q) J: s8 h
29.                 {
    7 Z3 k& H' b( c2 |1 {. ?6 N
30.                     charSet = charSet.Replace(""", "");
    ) v9 f. e" \+ V  A% S
31.                 }
    
32.                 if (UseUTF8CharSet)
    " }- D3 Q3 i+ F; D* b' o9 k3 q
33.                 {
    $ @5 U  L, I6 }
34.                     if (charSet == null || charSet.Length == 0)
    3 y! B7 c6 h# S( v
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    0 d4 M# k9 q# T) m- {) V
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    / q: d) {1 T0 `- `4 Q
42.             }
    
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    
46.             }
    ; \3 v0 M/ x6 r; |& Q! m( H
47. 
    / T$ R% V0 e: W" o* v
48.             return strWebData;
    
49.         }

复制代码

* a$ Y8 y+ P3 _% G# z; j
; Z$ |+ Y* F0 S0 R% B% x/ V1 n6 g# ?

PowcAncn

weishaneweishane