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：
( m% r1 z, |2 u5 L  E" z0 Nhttp://a.com/b
* l( `& O5 q9 n2 f' X6 l# J1 Dhttp://a.com/bb.html
% V& x' r/ \: ?. ]8 _& Z8 I9 C6 k8 v( v能自动去重复
" A* g9 J7 g8 o& N+ D

李小冲

1. #region 抓取全站链接
   ' M3 ^8 N! u: H$ d$ s: z
2.         public static List<string> GetAllHref(string url)
   
3.         {
   0 H- ^5 Q% H& b4 r! y
4.             List<string> allHref = new List<string>();
   2 v5 \. @! a% T. i; i+ f. ]8 M
5.             try
   
6.             {
   3 l: V! U) N; F- X
7.                 string strhtml = soso.getHtml(url, "", true);
   
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);
    2 x; |( \5 ~7 ^+ C
12.                     foreach (Match m in mc)
    
13.                     {
    , i. O' c. w7 l4 D0 b# Y
14.                         Uri uri = new Uri(url);
    $ d0 I5 x) a' k% I* B  _, W
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    * r% }4 i8 ^6 L$ W' g: l- ?
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    - o" e/ Z# n5 }, r' P$ w% [9 u. h- c
18.                         {
    $ p& _5 K. r) F8 z! s) S
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    
22.                         {
    # D4 F6 r5 X% M, ~4 N' C
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    , T" F- f9 E  x, V* S
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    2 [2 Q- B' _: |9 F" T6 B
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    9 G: O2 a+ Q8 _
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    1 G% z; l! B) H3 f, m( ~
32.             }
    
33.             catch (Exception ex)
    ' L0 H4 s, k8 O$ ?5 S
34.             { }
    , f3 k1 U, `$ A4 V7 ]0 O
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

4 M1 l  @: G! r' [  m

1. 
   
2. 
   
3. 
   
4. #region 数据去重
   1 [% B. O. }3 _9 d& v+ n8 G% i" M
5.         /// <summary>
   
6.         /// List<string>去重
   : D' O3 b8 E4 t* N/ P0 N* T
7.         /// </summary>
   # |' H2 j4 N. A4 C/ x
8.         /// <param name="list"></param>
   1 i) o& [/ @% \0 _! y# s/ {
9.         /// <returns></returns>
     p/ g% c* c6 q% @2 O' r( h
10.         public static List<string> getUnqueList(List<string> list)
    ' t- ^6 m. u; u/ D, e4 S
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    ( Y1 R1 P% ?# B! c
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    3 o! d0 K$ b8 ?! s) b, r
20.                 }
    % T9 h' |0 i- G" i: s; u) ]7 y
21.             }
    + `" P5 S' ~) p
22.             hash.Clear();
    
23.             hash = null;
    5 \! o- {, P7 E) e) }
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

9 V, L+ }7 ^# z1 B6 O

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
& E/ S& k. i; }  [2 m  S十分感谢！！！非常感谢！！

1 X/ j( x) e5 h" |% `6 B2 P4 h3 U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.         {
   : y. z' n: A$ G$ |
3.             string strWebData = "error";
   
4.             try
   
5.             {
     H- u5 `. ]/ s, Q2 K) M' B
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   1 m& ~; R* ]1 b, g( }6 o7 @) ?7 C& `
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
   8 O1 Y9 \" p& Y5 e/ }- G
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   . F" N  k- ?' W* D; S/ o0 f
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)");
    + ?5 f* n/ B+ n0 s- n/ }# [
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;
    ' X9 Z, w% U$ o3 K+ H: k4 H% S7 E
16.                 //如果服务器要验证用户名,密码
    ) p3 s. w$ K2 x# k& z
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);
    + P& V% V! X7 L$ U
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    ' n/ a. J# d  [6 ^# o+ q9 t
23.                 //获取网页字符编码描述信息
    . n; {/ n0 v3 x, x$ S. V
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    . q7 M1 a$ O% j: {
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    4 K* F1 V, F, A; L' T
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    % I# z: W9 e" S+ O# E
36.                         charSet = "utf-8";
    
37.                     }
    - t& Q) _% q2 t1 I" ^
38.                 }
    ) J, s# ^& |6 \# g/ `
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    0 X( l& `' o! d* y% N
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    / l: m9 X$ O9 m  {: Z2 J" K
43.             catch (Exception)
    . C) F# @; {# x6 A, [: _4 K- J& W( u
44.             {
    
45.                 strWebData = "error";
    
46.             }
    
47. 
    2 q$ p3 L4 U% V' o# y* ^
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane