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
http://a.com/bb.html
0 a) P7 o8 }, G8 M. g! g: r能自动去重复
" f* ^0 g/ ]  z2 S: v" r

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   # I* x. q" ]2 h$ H5 U4 Y
3.         {
   ) n8 O: L% `; q/ ~! |
4.             List<string> allHref = new List<string>();
   
5.             try
   . }0 S4 e: X; q% Q
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   7 c+ j) O" z# x% n* j1 ~
8.                 if (strhtml != "error")
   ! v9 |  |1 S8 L% Q( P
9.                 {
   ' ?. q+ K6 T! \! c' t# E0 M1 v
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    : [0 U) Y- b: f6 j* m1 p, ~% e# }
11.                     MatchCollection mc = reg.Matches(strhtml);
    : [' t5 Q5 L# w" {8 {7 ?
12.                     foreach (Match m in mc)
    0 a( Q6 E8 f0 D$ Q$ D
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    & p( @' T9 Y, d- B+ f3 O
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    2 ^9 ^  v* ]) \- [7 j$ n  x; c) @1 F, {0 H
21.                         else
    
22.                         {
    $ f7 j4 P4 e  B! V$ [4 c. G
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    ' o: N5 s& U+ L5 {2 B8 ~
25.                         allHref.Add(fullUrl);
    + t6 s* G. G1 F, U
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    ! k, E# Z$ \& Z
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    & W* g* U, y3 [6 N; R, T. S  ~
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    9 q6 X$ s  ^4 F, ~# a$ E$ e( a
31.                 }
    0 g, x2 n- o) E' U8 ^1 U* H7 ]
32.             }
    / J8 a  n! R* Q
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    
36.         }
    6 b. @1 ^# }! l0 L& B3 V3 N6 `5 ?
37.         #endregion

复制代码

8 j% D5 F4 {. X; R

1. 
   : l7 c' v  j, ~
2. 
   
3. 
   1 Q' e# |+ n8 v& `: K1 H* J
4. #region 数据去重
   * ]9 r3 S+ T8 F" X3 u" r; s
5.         /// <summary>
   - D! H. C! H( ?1 E1 k! b
6.         /// List<string>去重
   
7.         /// </summary>
   + R7 `# j8 b7 ?$ l
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    & _& H8 l. J# p/ j4 ^4 _( V, l* W
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    ) f0 ]" }: w2 K0 ~
14.             foreach (string s in list)
    ; `8 e! i; I; H1 g( V& x- s
15.             {
    
16.                 if (!hash.ContainsKey(s))
    ( Y: Y. v2 @/ |% Z0 {# `+ Z% U
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    + J  Z% I; w- j
21.             }
    + w  n) O* N$ ]# ]3 B- P* A
22.             hash.Clear();
    
23.             hash = null;
    " Z) \' B- f8 S6 X, b6 H
24.             return list1;
    
25.         }
    , b2 t, y7 m2 B, ?6 g! j2 Z
26.         #endregion

复制代码

1 j0 h5 R- o7 ?  Z$ R* f% L

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
  n, B4 f6 e. s' y( {十分感谢！！！非常感谢！！

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
   8 M' m5 V  {: h
2.         {
   8 s- P  A# o2 f- E% I7 w6 c
3.             string strWebData = "error";
   0 @# b0 q" B) {" ?9 \% W, m
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   9 H7 E: z; Y; i) J& I, U) b
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
   . W. a, U% D+ b7 [8 @% W3 |, a6 h; D
10.                 // webclient.Headers.Add("Cookie", cookie);
      Q7 v5 R( G6 {- E1 q
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)");
    + ]& N$ C  k, W! 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。
    
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
16.                 //如果服务器要验证用户名,密码
    ; F" n1 G3 `& |. G
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）
    + n0 f3 }6 m6 Z+ T- x1 N
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
    ; C8 p: _; Q1 l4 I; G. v* t
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    : z$ a: @$ e3 c+ b% m
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    / [8 ]  ?1 U: y8 I% H
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    $ n$ M( n# c$ K) d* V( @
28.                 if (charSet.Length > 0)
    
29.                 {
    + I  I- Y  H6 i/ C4 b/ ~5 I
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    % d: m8 b( P, y: P! D& |
33.                 {
    + U8 O2 o5 B1 g- g
34.                     if (charSet == null || charSet.Length == 0)
    & r% T3 G. R. \$ Q
35.                     {
    : `) u1 ]; D2 x( n' r
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    4 @8 t, W3 q; d7 n/ G/ S
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    ( p) ~. i& c2 q* f5 I
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    1 g* Y) `9 I9 \$ S8 c
42.             }
    
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    
46.             }
    
47. 
    
48.             return strWebData;
    
49.         }

复制代码

! X! g: X5 I( M% F; b

PowcAncn

weishaneweishane