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：
3 ~+ S2 D) L6 f. P9 f! d/ Q4 A$ Vhttp://a.com/b
9 {+ w! p- M( ^0 ~' p1 Whttp://a.com/bb.html
( r2 U7 l7 ^/ L( Z  h( D. q' J+ }4 S能自动去重复

李小冲

1. #region 抓取全站链接
   5 O- V0 r" H4 q! }* ^0 M" I
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   % k. ]/ x( k" d  \4 C0 @6 {
7.                 string strhtml = soso.getHtml(url, "", true);
   + h1 p0 q: Y' e: Z0 X1 ^$ F$ c
8.                 if (strhtml != "error")
   
9.                 {
     r! m! s$ B9 s; s) F) w2 I- C
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);
    
16.                         string fullUrl = "";
    ; P/ k* H, M0 S( h" b
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    9 i+ n  k/ [) r5 g9 b# E) h
18.                         {
    " k; [( w1 E8 x; d
19.                             fullUrl = m.Groups["url"].Value;
    ' ^) r# y8 U4 g+ B/ `, J6 L# O1 @  B
20.                         }
    
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    # o1 Y" X7 c) G, X2 T2 U' H
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    , o. B. G  l! W6 Y2 g4 E, }3 v
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    ! e; Z& t  z5 _
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    + s& U$ W( Y$ L' y
32.             }
    ) i/ |9 n  H. a
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    7 q" o# \* l, v7 r* U( G9 T* O; ?
36.         }
    0 m# n, J. c: Q* f3 \
37.         #endregion

复制代码

* O; N1 r+ {( b1 O9 f

1. 
   
2. 
   ! G% A* `) q3 _/ f6 q, v0 O
3. 
   
4. #region 数据去重
   . h2 I+ j1 b2 `# ^, w0 K  O
5.         /// <summary>
   # r1 R: E7 q$ V7 w8 g
6.         /// List<string>去重
   
7.         /// </summary>
     E2 U6 }$ L$ _
8.         /// <param name="list"></param>
   : G+ o7 x4 A  Z
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
      F: D3 J5 F' ^, D% S
11.         {
    
12.             List<string> list1 = new List<string>();
    5 V( X4 B9 W  d
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    / x( {: t8 ~: \) r
20.                 }
    & t8 z6 m8 d, F8 ]
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    & ^: A& K$ C& Z" P
24.             return list1;
    4 b+ ]8 ~/ z: u) x- ~( e
25.         }
    
26.         #endregion

复制代码

" D6 p" J7 k) p3 X% O# f2 K

guys

李小冲 发表于 2016-2-26 16:17

  d: H$ y5 p+ N% a" x8 W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！！

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";
   6 m: y8 o( l! {
4.             try
   2 E8 |* ?2 W! ~9 q# r1 W% C
5.             {
   , J: d$ \/ f8 C0 e2 l% m- _
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   4 T: B7 S7 Y" [0 i
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
   
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   4 C3 |9 ]# }- K
10.                 // webclient.Headers.Add("Cookie", cookie);
    
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)");
    : q% M6 j3 Y" ~6 v( _
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    4 \, [0 g7 D% m% H
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。
    , U' k5 M6 {5 S! F) v- ~! t! X
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    & a4 Z# g9 ]; D# x. y
16.                 //如果服务器要验证用户名,密码
    + v. v* c# e3 f* v3 w. `7 _
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    " O+ _& f$ K: y$ \8 L9 I0 q. X
18.                 //myWebClient.Credentials = mycred;
    . _2 E& M4 d6 a1 R( S+ n; u
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）
    - o7 i+ K+ N! J) P' i
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    7 O6 r# V6 Z5 l" W& f
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    ) y! P7 x5 J' ~2 L: j* }
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);
    5 F( X+ H. A- @! w$ A( t- m9 D
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    3 k0 E/ T" z+ n5 u0 Q
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    4 i/ R4 i- f) V, ^3 M8 N
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    8 a* m" T: I+ a6 M+ A# ^7 n
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    6 g2 m/ d- b3 p: ], E1 u' g/ ~: N
41. 
    . K; x- X, c6 U6 |
42.             }
    + f1 C: G5 q: U2 W
43.             catch (Exception)
    : e0 @0 D/ D- y
44.             {
    
45.                 strWebData = "error";
    ' C3 ]& Q5 q1 u+ T% v
46.             }
    % z- q3 j; X8 u! z* x
47. 
    
48.             return strWebData;
    
49.         }

复制代码

; b* f3 ^1 z* |( Q0 A0 f
& p9 Q. G: v- C

PowcAncn

weishaneweishane