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：
( A9 U+ G, d7 Ahttp://a.com/b
http://a.com/bb.html
: M% z2 j8 Q$ L( B4 `能自动去重复

李小冲

1. #region 抓取全站链接
   $ N3 t; [" O0 w! ~  m# M
2.         public static List<string> GetAllHref(string url)
   ) X; M& ]( E) x4 k" O- f/ g
3.         {
   " A5 o+ C9 @7 }* E; S+ |
4.             List<string> allHref = new List<string>();
   " m' v  i6 h7 ]
5.             try
   5 s4 c! }  m4 X( C/ \8 t
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   * |1 h! e, X6 i. K" J' s/ J, @. W
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);
    # u# g- F, r+ q% C! t
12.                     foreach (Match m in mc)
    ; u& f# \1 c( L$ y6 f8 G# [
13.                     {
    : u) o- p: O4 c# d2 A
14.                         Uri uri = new Uri(url);
    6 d( ~$ m' V; M% n
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    % O% @' _2 {4 p) ^' \. c
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    " ^% d6 @7 B2 j: l& [' g# D
21.                         else
    $ \% L! c$ Y6 e; q7 r% }. A
22.                         {
    % M" _5 n7 b) S5 {( ?: J) d
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    0 a# Z. u4 U0 b1 ?- b' n- |% r
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    ) {8 j/ y7 B4 S1 V
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    ; x  |8 F4 {) t) G3 T
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    4 p2 z+ U) ]) G. c, v
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

' z, ~+ r" ?0 J5 P; Y6 y/ Z" D
- }0 b- R' u! t( D4 v0 F4 F

1. 
   1 P4 g* p8 e* }: O6 r8 _! A! p, \
2. 
   % n5 U/ e5 ?9 E3 R; v) y
3. 
   
4. #region 数据去重
   ! x: D% Y' a& X4 H
5.         /// <summary>
   
6.         /// List<string>去重
   9 B+ p% W# S5 H( K* I. H
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    ' p; [7 U3 z! {2 u3 I# r' s! x$ \
12.             List<string> list1 = new List<string>();
    # t+ \  y3 n  z  p, ~2 \
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    - O6 @8 ~$ N, ~! T( f) U
15.             {
    
16.                 if (!hash.ContainsKey(s))
    7 `1 l, H' z, O2 s  q& g- W% a0 K
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    ' g! w0 e9 Z, x( }
20.                 }
    
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    
25.         }
    & P( B% N( }& o1 C: y$ U& ^: Q
26.         #endregion

复制代码

: G) A  P# n& u

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！！

* Q2 r! M2 r3 A  Z4 R缺少一个gethtml,用下面这个：
8 c% [* t. m+ o

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";
   
4.             try
   
5.             {
   6 O5 b/ ~7 N- _$ m/ v
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   1 `4 x5 Y1 A; \4 \" L' U! O8 \( L
7.                 // 需要注意的：
   # N8 ^) a% M, ?3 r/ W
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
   : g3 g9 o% Z1 N$ r+ ^
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
    8 J3 R+ j& D# d2 {' y- @7 @( X
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;
    $ j# w8 x% c) L/ a, t# y8 r2 G
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    & {% e3 l8 m1 c7 N+ Z7 y) r# @
18.                 //myWebClient.Credentials = mycred;
    . S1 V. N, L0 \
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 |/ H9 q8 C5 c3 Z
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    2 u& X7 t* w! X  Z1 H
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    & n! x; }3 G8 |# o- u$ ^" A
22. 
    & F6 }$ h1 Q5 U/ Q
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;
    9 Y# U/ ]3 T' E& G. A) \5 K
26.                 if (charSet == null || charSet == "")
    4 t. O3 j* D% u* l$ `
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    / w/ F3 O9 x4 Z. e  c# e
30.                     charSet = charSet.Replace(""", "");
    / p& X% Z& m: m! C( G1 m0 I+ m9 s
31.                 }
    : @: f% s! q  _6 U! X
32.                 if (UseUTF8CharSet)
    4 f+ K/ i6 L$ t
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    ) ]1 w. |# S' {7 W1 z& k0 |+ t
35.                     {
    . K+ J; D. l' ]
36.                         charSet = "utf-8";
    4 A6 q6 b0 A4 ~5 J
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    * N7 X! [4 x  _/ `! M" K2 O/ ?
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    " i0 S# i1 C5 ]4 O4 N  l1 z
42.             }
    
43.             catch (Exception)
    - E1 h0 t7 n6 o& T* P! ]* Q
44.             {
    
45.                 strWebData = "error";
    6 W. Y' J/ r" q* B$ A& ^
46.             }
    3 K6 i$ B, L' z5 s
47. 
    
48.             return strWebData;
    
49.         }

复制代码

: ?7 n6 o# F# N; J: A  o5 D
0 J' J4 O' C  A. C+ _8 Y) @

PowcAncn

weishaneweishane