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：
% R, n9 P! k! Z. Jhttp://a.com/b
' P& N( _% ]4 k" khttp://a.com/bb.html
能自动去重复

李小冲

1. #region 抓取全站链接
     v$ [* P1 T3 U' p/ u
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   8 [# @6 N6 P8 ~
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   9 E  ~1 W& n' `
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)
    ! B- r3 e- D' v  c6 t
13.                     {
    
14.                         Uri uri = new Uri(url);
    & `7 E. ]/ ?' u. Y) E* c0 ?
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    7 c, b2 A$ i8 u: {- M
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    2 P4 w" |' u, G! o* m
19.                             fullUrl = m.Groups["url"].Value;
    8 r! k/ Q. B+ d4 ?/ z/ Z
20.                         }
    * |" P/ J6 y- e0 S9 }/ J
21.                         else
    ; H+ m% Z4 e: e( B' V* A) H5 t
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    0 @, l% S$ i. S
25.                         allHref.Add(fullUrl);
    * z1 [! N5 R' l2 e, j  O4 o# Z
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);
    . L. h) e. _  F" M8 \, P9 @
29.                         //Console.WriteLine("…………………………………………");
    * X+ L2 o- ~4 i- G( E& x5 w# u
30.                     }
    , {  j* Q7 }9 x7 ~" O" M* p- l
31.                 }
    " X1 J/ F9 |( z- ]# a
32.             }
    9 ~+ b7 k2 w( w% l9 N
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

+ y% H' P) Y1 P7 Q# l8 q# B

1. 
   
2. 
   # U6 z, q6 {5 D% f3 S6 W" ^& L
3. 
   % I8 o* D+ a0 O8 R
4. #region 数据去重
   - r- {9 b1 P( n3 a1 ~$ x; I
5.         /// <summary>
   ! \! ^! Q+ G$ z: c
6.         /// List<string>去重
   
7.         /// </summary>
   / P  X' F7 d9 e1 ]
8.         /// <param name="list"></param>
   5 y6 [3 i" H1 b9 C
9.         /// <returns></returns>
   3 X/ x& {" p2 Z, G1 t  W  P
10.         public static List<string> getUnqueList(List<string> list)
    ! e; g& ~7 R8 P7 @
11.         {
    " X- D' X% L+ b. S" h- _
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    4 D2 H' G0 a& j* R
14.             foreach (string s in list)
      S$ F7 j/ K" x( O6 d
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    $ C( F' Z" Y3 C
20.                 }
    $ ^8 w5 T: \, B9 Y; l
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    2 X$ I% `1 D( C
24.             return list1;
    , m# Q- ?, b; N6 u* _' A6 I( Q
25.         }
    
26.         #endregion

复制代码

. Q, `8 `0 C& p) }7 t' p

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！！

) w9 J6 I0 y+ 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
   0 r3 z! D6 c9 c8 F; u  v
2.         {
   
3.             string strWebData = "error";
   " n- R) |0 b1 F
4.             try
   
5.             {
   4 S8 `$ Q, B& y6 [0 J% j6 P
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   9 n( _  G* N6 u; ^2 D
7.                 // 需要注意的：
   3 W) g6 u/ p3 v' Q) y9 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
   ! C: n  p. e& c7 L9 E& h
10.                 // webclient.Headers.Add("Cookie", cookie);
    0 }* T3 U# |. Z- {
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)");
    3 \. y! ?' J% ^. T* C7 v: M
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。
    ( i# \% V9 B( Q5 x; v# p% H: G
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
      x# ?0 j2 h9 H8 F- E. q; b
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）
    - J$ `, A: J+ l3 y( T
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    - b, P- U7 ?5 Z" A- n6 ]
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);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    ) N2 I3 R3 l, F8 V+ s0 ^( i3 O
26.                 if (charSet == null || charSet == "")
    $ g" d& }, e9 l7 Y6 L7 V
27.                     charSet = webCharSet;
    6 w% j7 J5 X+ p8 L! j
28.                 if (charSet.Length > 0)
    
29.                 {
    6 G) B$ n' i: S. C1 e, g8 V4 t
30.                     charSet = charSet.Replace(""", "");
    ' n5 R; ^4 |% x9 ]9 p, d  P
31.                 }
    5 z5 \' B7 k( k2 g/ h0 r8 H, _
32.                 if (UseUTF8CharSet)
    ! Q6 G3 C/ U- ?8 U6 D8 V. o" U" F* P0 O
33.                 {
    7 I# ?# M3 W: H( n5 A* [
34.                     if (charSet == null || charSet.Length == 0)
    # i6 m4 n! ?" Y8 m! |
35.                     {
    % V) }( f% ?! s' w  |
36.                         charSet = "utf-8";
    
37.                     }
    8 f- s4 D( j$ l2 J* O
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    - V+ q9 V# D- `) \* B4 h
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    
46.             }
    " G: o3 ~9 i( i8 k- ]5 I
47. 
    
48.             return strWebData;
    0 a) N- a& @$ @
49.         }

复制代码

5 I4 r) b( v' y5 I

PowcAncn

weishaneweishane