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
' K7 v4 |/ {5 Z' _2 C8 J比如：
2 p: n7 z& H& _- y: n% R* rhttp://a.com/b
http://a.com/bb.html
5 j5 P! [  _1 E* ]  V; Z* G能自动去重复

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   - g( L5 n$ C* X) ]' g
5.             try
   & G( }2 v7 A7 A3 @3 c
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   % h. @- @- h1 l( r
8.                 if (strhtml != "error")
   , g- s9 B7 J% U2 `
9.                 {
   % N! ?9 f# v+ D. f" [' v* N; u
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.                     {
    ( A6 o) ^# ?7 ?- A7 D
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    / g; Q4 m! l' ?& X; |
16.                         string fullUrl = "";
    , I% ]# v7 i7 L  W3 `& N
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    ! A- M, X( F5 R  G/ b( F
18.                         {
    7 `; w' k$ O; H  ]1 O: R
19.                             fullUrl = m.Groups["url"].Value;
    9 |+ w: A6 |2 R+ I
20.                         }
    & x, R/ F0 K3 L- W
21.                         else
    
22.                         {
    ; ]$ I: z/ q; B0 `1 D/ Y
23.                             fullUrl = thisUri.ToString();
    ; a( v! ^9 B% v! t& W
24.                         }
    
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    9 m$ X+ f% r* ^* t0 V, b8 v6 B
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    . v1 `) m+ P: X1 ]6 U( ^/ m
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    ) u3 x# N) |0 i3 G" T" J* ?
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    : X! v4 c' R, e$ U  j' J* _7 v0 p
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    3 M% t; A  W+ p7 a+ j. Z9 [$ }
35.             return allHref;
    : N+ e  x, a0 r- [9 l
36.         }
    
37.         #endregion

复制代码

1. 
   & s+ x. c# t! t  a
2. 
   & W( l3 T5 b5 g! b; l* P
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   , k* Y& C1 j% p$ z9 e
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    " N; r5 s1 B- B9 ~
13.             Hashtable hash = new Hashtable();
    8 G+ O# q0 j9 n- Y8 D
14.             foreach (string s in list)
    2 {$ _- b+ s) b1 E) c. X$ `: g
15.             {
    0 o0 u! J  @/ q2 T
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    % ?" \; q: ^0 {
18.                     hash.Add(s, s);
    3 q8 [" B( k! g0 l1 u: f
19.                     list1.Add(s);
    / @' H6 R5 o! Z. A- e+ y
20.                 }
    ! L# i. x" w  g1 d0 h, u- c
21.             }
    6 I2 S  e7 ~& X& k4 J% G
22.             hash.Clear();
    ) J2 r) q% y/ J; j4 b
23.             hash = null;
      D2 T3 a) u/ D4 o
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

; O/ e2 A/ G: {, Q1 Q

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！！

4 u( x% u2 p# ?  S3 M4 [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";
   + _) A% T2 ^8 w3 n& P7 `
4.             try
   
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
   7 m! G6 x; A& G5 p
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   ) Z& V& U% \. H$ e) N, ~! [
10.                 // webclient.Headers.Add("Cookie", cookie);
    : J9 j1 S  J# d5 j% p0 v. A1 s
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    $ v6 ~2 a  g0 z9 x* |4 I! ]
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 ?, M: P0 A7 p2 h3 F
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    ' A+ O" {0 I- G0 F/ f
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;
    8 ~2 z  l1 J/ c
16.                 //如果服务器要验证用户名,密码
    & z5 I' ]9 Z, D/ N6 d) E+ I  m2 J  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）
    4 _+ D% U# ^4 n: a; z4 k
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    % g# e' [  j. J
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    : D) N/ b" v( s* v4 [2 r
23.                 //获取网页字符编码描述信息
    / a# `. l. h5 \, k
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    4 b! u$ A& h# M2 T2 X1 `" p
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    # U' C! i3 o4 I/ A( c1 ?1 \
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    ! ]0 M/ E4 D- j/ {( U! ^3 o* C7 ^: h
35.                     {
    
36.                         charSet = "utf-8";
    - ]; o( X/ m! [: j( ]
37.                     }
    $ q1 B6 i, L# K9 u1 `
38.                 }
    5 S  Z9 P5 c- F  t: a. S
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    & x3 T, N' E# T7 g5 U2 b7 `
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    8 {+ j- f  Z$ A' g+ e4 s
42.             }
    
43.             catch (Exception)
    
44.             {
    ) }& }5 `+ M2 u
45.                 strWebData = "error";
    # m/ o' T+ e! F6 r; n, j( U
46.             }
    
47. 
    0 _1 R) [6 V6 f4 ?  P
48.             return strWebData;
    ( v* Y; L' ^0 S. t4 g+ T, N7 l
49.         }

复制代码

8 a2 j4 n% K% O

PowcAncn

weishaneweishane