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：
: ?2 s$ _6 W! K4 Nhttp://a.com/b
3 \: K. Q$ u- x  h5 w/ yhttp://a.com/bb.html
能自动去重复
9 A) R& V; f4 F% t% |2 W

李小冲

1. #region 抓取全站链接
   5 R6 N4 A0 L4 d& [
2.         public static List<string> GetAllHref(string url)
   
3.         {
   / i" v5 Q( Q" K  X! r3 e
4.             List<string> allHref = new List<string>();
   
5.             try
   + A( A0 `+ j; G6 T
6.             {
   * J5 p7 Q! N/ C/ u+ k
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   & y( O) u# r# E% B" s
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    7 b( x( K6 @4 z, {9 h  V: T
11.                     MatchCollection mc = reg.Matches(strhtml);
    & D. \: k: i- U) C/ f; [- U3 [
12.                     foreach (Match m in mc)
    9 {# ^( ]) r, V& q* P- k
13.                     {
    - }5 }; e! f! B1 a. E7 E
14.                         Uri uri = new Uri(url);
    % {# m9 t9 U; F* A: D6 i
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    ) Y3 g  b* a* x
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    8 n, }" A6 \% ]- ?
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    # e* l! I% x7 \( P" K# _0 l
20.                         }
    
21.                         else
    
22.                         {
    9 a3 {; J$ `; X7 S1 F
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    9 v, ?+ Q0 j. X
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    2 k5 ?, u$ K1 M7 V6 `; e4 e
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    - v/ `) Z7 B. g9 e" n: J- c
30.                     }
    
31.                 }
      Q' [, f7 s% E  }# T; Y- Z
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    % H& ~) L' ~- ]
36.         }
    & l8 B/ B% N) g' t* H/ i. _; M- {
37.         #endregion

复制代码

% }5 U' w1 {! s/ [
* x# j4 U" J: y3 f) }  t

1. 
   
2. 
   
3. 
   3 M+ F- V6 P8 _9 f! q9 Q
4. #region 数据去重
   $ T* B, y7 S9 c( f) [4 F; ^; q
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    , N" c. \5 P. v3 @
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    , R4 e" G! |. g' ?: v
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    5 l4 P: ^, _+ h3 h; Q) b
18.                     hash.Add(s, s);
    9 o. I- i# f2 A1 |6 W1 r
19.                     list1.Add(s);
    - ^0 a3 M/ S) O5 j5 j6 a1 b
20.                 }
    
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    ' k% b- I: L, A
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

1 w6 i/ `  l4 f' b
" u, t0 e7 M  T' z9 Z7 x+ j

guys

李小冲 发表于 2016-2-26 16:17

5 L6 Y' l4 O' e) n" |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：
3 a$ X% Z9 `  _7 F8 n

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
   4 L+ O$ ?8 m8 z! l& s8 b7 _
2.         {
   # f# E; |) o0 I9 I4 e, [' ^
3.             string strWebData = "error";
   8 B9 e: n0 Z* d! u: L2 F# X5 x
4.             try
   , a! ]! g* H. c( E1 {
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
   
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   ; ]  g- ~6 ?/ `  p2 f
10.                 // webclient.Headers.Add("Cookie", cookie);
    & B) D! X( r$ V3 w
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    7 H9 ]1 }% `- s, t7 N
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。
    
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    6 V5 B/ S  b& W. f: w% F
16.                 //如果服务器要验证用户名,密码
    ; }3 `' _) f& x/ 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）
    0 P& `5 p0 c0 C" {2 v
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    4 B! ^2 h9 E$ g8 L6 M" J& }9 v
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    1 Q5 j( I. g/ Y. R, e# K
23.                 //获取网页字符编码描述信息
    ; [# E( l8 c" D2 Q
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    7 [% A% C+ [; ?: F  u
27.                     charSet = webCharSet;
    : B+ V$ ?+ z0 }. B0 h
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    " N. z5 g& v  {. c+ K* X' B
36.                         charSet = "utf-8";
    7 m; k( ^. k: j% R, m5 |, h
37.                     }
      F% k, i+ R* S1 r
38.                 }
    ) ^) u( d3 q- ^0 v( e+ j8 v1 k4 _% u
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    ( g5 w1 F: J4 {6 ?
42.             }
    ! ?9 `  b% T0 [, w' \6 X( t; P
43.             catch (Exception)
    2 m7 |4 {, S* _" T
44.             {
    - _3 w9 g  k2 h. v" O, d; }
45.                 strWebData = "error";
    
46.             }
    ( N& F8 k$ Y1 k! e
47. 
    
48.             return strWebData;
    9 H: @5 x& X8 V8 G* l: t& o) P
49.         }

复制代码

* m7 K+ x% \. d$ x* R
) l, Q% P# g; f6 D  r- U* B

PowcAncn

weishaneweishane