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- s* l, i! w0 p+ s" Qhttp://a.com/b
http://a.com/bb.html
) E) r1 ^! p# _; k+ I能自动去重复

李小冲

1. #region 抓取全站链接
   , F7 S& o9 [" h( h* v2 V
2.         public static List<string> GetAllHref(string url)
   
3.         {
   4 k: B( e6 k6 S: |( |
4.             List<string> allHref = new List<string>();
   3 r0 Z- z# X9 l" [6 X. I
5.             try
   
6.             {
     |' {, V" `7 {# S  d4 z, h( C3 W
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   6 x+ V  F8 j/ ^  a
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    6 X, F- v3 l" f/ A, x0 B" R
11.                     MatchCollection mc = reg.Matches(strhtml);
    0 N# \  n$ q- X  M! A6 o
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    ( A. F6 ~- g# R# I- p/ A3 J
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    ; m# F7 h) Q3 w% U" s" l
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    7 o7 l+ f/ I0 e( m: e! M
18.                         {
    - f" R1 a( X$ p! D' Q
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    
22.                         {
    5 D3 _7 g8 ?; G# \0 y
23.                             fullUrl = thisUri.ToString();
    ! w5 J6 u9 k( Q. b+ q, j. R$ g- J6 E
24.                         }
    $ [) O: i6 I' x3 `4 \
25.                         allHref.Add(fullUrl);
    - p) C0 X  o$ K6 ~2 v: K; `
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    # n  J. w- a4 h" `$ w# n& w5 @1 Z+ j, ^
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    . K# z3 U7 t7 R. i
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    9 z9 s& {- |# C2 Z) z
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    * D% p4 _( l2 X4 ]! H; ?3 Q' u
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    9 P6 J- ^  i0 t0 g5 U
36.         }
    $ Y& R9 e& h# q1 K8 J* K. U
37.         #endregion

复制代码

1. 
   
2. 
   
3. 
   8 l& V) ?1 R0 }' x  e0 j* \: \
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
     W% h0 S' l8 h& F0 A2 p
7.         /// </summary>
   
8.         /// <param name="list"></param>
   7 N$ j5 ?0 q0 F* T$ L" c
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    6 Z* }% _" @$ p# E
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))
    2 U  f& G" V" ^2 |6 I# p: Z' }
17.                 {
    ! a. I# z/ b5 Z+ j
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    
22.             hash.Clear();
    % q; W, a& `* Y$ r6 T1 G# ?1 {" ^2 `
23.             hash = null;
    ) u, E. t1 _7 g- V" |# D' L
24.             return list1;
    , l7 L8 \4 F! Z6 w
25.         }
    5 C) y' F& V; Y$ ?+ ?
26.         #endregion

复制代码

+ X+ `- f- L' t3 g

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
# |& L- G/ t3 _) f2 P十分感谢！！！非常感谢！！

1 r0 W0 y( b" H) A) L% n8 H9 h$ x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.             string strWebData = "error";
   ( E% f2 D- }. D
4.             try
   " u. q; Y6 Z3 i$ J
5.             {
   6 {- Z; e  E( t
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
     s: ~1 h' X% u, k* C- l0 K
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
   
10.                 // webclient.Headers.Add("Cookie", cookie);
    + E: s. i$ b: w/ H
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。
    - e9 r0 _7 I# u/ C" }: ]- M/ b8 P$ N
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    / o$ h- k7 X* w' \7 f0 n3 l' M8 T# ?
16.                 //如果服务器要验证用户名,密码
    ) x, B0 X! j5 R
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. 
    ! G$ \( W: }( T
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);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    : |2 a* d7 ]8 t. s" J, g( d
26.                 if (charSet == null || charSet == "")
    3 x+ P2 C5 ]1 e; y3 ^6 k
27.                     charSet = webCharSet;
    ( [& l9 M* S5 f0 D
28.                 if (charSet.Length > 0)
    
29.                 {
    7 S) v) z+ w* i6 d) w2 t! H
30.                     charSet = charSet.Replace(""", "");
    ' {: D8 l/ y( z/ y9 w! A
31.                 }
    
32.                 if (UseUTF8CharSet)
    ' M0 Q& E( a& g% ~0 T9 ]# b
33.                 {
    . k; B) S) Y- \/ w
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    " C/ k4 e+ C8 ^: ^4 B
37.                     }
    ; N3 Q: ]3 g4 G5 ~; T0 ~0 x5 m
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    4 J* o% n" i: p+ z6 |9 B* {& t# f
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    6 `' W# |5 S. u0 F' }7 q+ h
46.             }
    ! R- O/ Z) |4 [3 e$ n/ h* Q" H3 k, A
47. 
    
48.             return strWebData;
    / f+ y6 r7 |  Q' w# l5 X+ P) j1 O4 D0 ]
49.         }

复制代码

9 X8 G6 ?$ h7 h$ M4 J

PowcAncn

weishaneweishane