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：
) H8 k( K, z, `7 ]; {http://a.com/b
http://a.com/bb.html
能自动去重复

李小冲

1. #region 抓取全站链接
   1 w, Z! @- I1 z) P6 l: v
2.         public static List<string> GetAllHref(string url)
   
3.         {
   # c/ B4 ?# x% E, O; _* D
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   ( |5 R! }3 B  P0 K, A
8.                 if (strhtml != "error")
   2 ~7 M1 J  W: u% c0 ^0 R, i
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    + e* T4 N- {8 e9 r" r5 |5 @
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    
13.                     {
    - e; D$ j% s; {8 E
14.                         Uri uri = new Uri(url);
    " a* R; J, S6 w2 g. Q& x
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    , e, ~; X7 O7 Y$ g" ~: N
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    : U  O3 `/ c7 m* y0 Z% Q2 j. L+ L
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    / d* a- h: p7 E, m$ q
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    4 O6 z9 r1 a: N1 [
31.                 }
    
32.             }
    % H/ k2 Z% m: |, ?; q( L
33.             catch (Exception ex)
    . `: [+ `7 H9 F- J0 ~5 U
34.             { }
    
35.             return allHref;
    
36.         }
    7 H7 \' ~# V9 y! n+ W; O: W
37.         #endregion

复制代码

0 y8 B3 @, e% _

1. 
   
2. 
   
3. 
   7 V) F; [4 |8 J5 i
4. #region 数据去重
   & v% v5 {3 i( h$ Z
5.         /// <summary>
   
6.         /// List<string>去重
   1 W( n4 m$ a1 L4 C; a! d. z0 ]
7.         /// </summary>
   ) n/ |' X+ q8 r/ a, g# l& G' h
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    / D$ [! h5 T6 V
11.         {
    
12.             List<string> list1 = new List<string>();
    9 I0 i$ U0 a4 }3 ]  S6 u; d5 N( [+ w
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    + i" a8 ?9 i) V% ?  g
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    # o5 F* e# v, `6 _; [) F9 ~
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    . l+ q( ]) y5 M$ }# r) j
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

  _& m% Z# z: K3 Q. x; g5 A十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
8 I% W' h3 K' e$ d$ a9 G1 i. _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.         {
     u& w8 U5 t1 s
3.             string strWebData = "error";
   * y: ?; r5 L2 z" c: W
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
   
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   
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)");
    2 [) }1 C- _. b
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;
    
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    ( n0 O- |5 Q0 [8 N
18.                 //myWebClient.Credentials = mycred;
    ; ^- I# ~) W( G
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）
    ( e4 S- L: H9 d% B  C
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
      T& ?, a7 {* Q' q9 L2 s
22. 
    ; o- w6 W2 ?" s8 P% _+ `
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);
    ( P* H$ ?- `# a
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    . `5 B$ a5 d* u5 K) b
27.                     charSet = webCharSet;
    ! H' q. W4 ^; S
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    / U  K* S* d  f2 X6 y) D. O
32.                 if (UseUTF8CharSet)
    
33.                 {
    & @1 p% v' A  {, B) }' a7 E$ x# e
34.                     if (charSet == null || charSet.Length == 0)
    - N7 |0 O6 s& ^; P$ f( |
35.                     {
    % B& O4 T/ w# h" A! g
36.                         charSet = "utf-8";
    
37.                     }
    : j( N3 W. i+ i0 c( e& h
38.                 }
    - ^% l, ?. e. M7 I! w2 ^" q- f: c
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    ! P0 c$ @/ D8 `
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    ( C( D, t. Q6 B' g
42.             }
    
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    ! [0 N; c0 K9 H8 A4 C+ P
46.             }
      ]: q' f; b9 ~6 F9 o9 _  ?6 v
47. 
    
48.             return strWebData;
    ; ~6 c9 a: w  }* ~) t
49.         }

复制代码

$ s( Q. \7 S, e

PowcAncn

weishaneweishane