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：
http://a.com/b
http://a.com/bb.html
+ [" A0 g, M4 k  h6 c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 y7 u" z4 v% p5 _8 B
4.             List<string> allHref = new List<string>();
   
5.             try
   7 k- H. o( Z+ _0 T
6.             {
   " \1 y' L/ `0 M
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   " k& |: `6 z/ j, v) e: L
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    % w7 F+ @  m1 v  F( ]" a% V" ?( ^
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    5 G( k* a, U/ E; |
16.                         string fullUrl = "";
    4 U7 f7 `  P9 f" _' B1 k
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    ; j, G1 l. B3 N& y
18.                         {
    ; p6 z1 J+ |; {( A
19.                             fullUrl = m.Groups["url"].Value;
    ' [; b9 U* t, H  L" p5 v
20.                         }
    
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    ' l; G; J/ C) Q* O6 X
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    , _7 P! W. M1 a  [, ?
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    / [" G6 d& ~9 N
30.                     }
    
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    8 W) C' K$ R4 w9 V* T! i5 p4 [
35.             return allHref;
    1 S/ M  W2 Y* S9 l+ P* I3 G
36.         }
    7 `% s5 H! a/ A- h! [5 O  q6 y
37.         #endregion

复制代码

; O: h/ z$ C. ^: q4 w
2 Y( B, _/ X( `! [

1. 
   6 ]" l. ]% H5 p3 g
2. 
   6 H5 D# D; C  D' r
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   5 O6 L7 s: |- o- m' ?
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   / ~( @, M5 k* H" ?: S6 r
9.         /// <returns></returns>
   8 ^/ I+ X( ~: ~4 M$ }( Y, T: v
10.         public static List<string> getUnqueList(List<string> list)
    * O: l* E, ?. ]. ?( `4 L6 [, w' B2 {
11.         {
      k% U! s% a( s  J
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    / E2 E, T* @1 f) k6 B9 x3 j8 x
15.             {
    ' v% U, `, P# i0 I6 @9 {; u  t
16.                 if (!hash.ContainsKey(s))
    # E" W7 {! a/ h, }0 ~9 ?
17.                 {
    ' O$ k! e+ b6 Y# c. s. e
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    ) A) G' |/ j: Y, a' q
20.                 }
    
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    0 d, n) O6 z4 ^- D" A4 W( F* d/ r
24.             return list1;
    / ], p, P' C( f2 n
25.         }
    
26.         #endregion

复制代码

( i6 w* |  c! M

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
. Q- n5 `% k/ o, I3 l十分感谢！！！非常感谢！！

& C3 k! h, d0 J5 d3 c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";
   - S5 s  h2 [# }5 D& y. d$ g
4.             try
   . q* K" ]2 Z: M8 P, ^; B6 z+ P. N
5.             {
   . \7 H" F: d( i) m# L5 u( c% |" U- C
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   " e7 i1 `- |: u  k5 K
7.                 // 需要注意的：
   ( m0 l/ j2 b' _6 P0 a/ S
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
   ; v& z: y% [! b! A
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   / _, \5 Q0 s& U, C8 J
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)");
    + \4 N8 e! A; v% R8 y# 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。
    0 B' q: L6 I% c$ [2 ]
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    , F# p7 q$ C3 ]/ E0 k. M/ b! D' t6 f
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    ! y  e( |7 l7 p: [: W
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);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    $ O4 l& H+ n! N! M. }5 o8 R
22. 
    ' J& N, \7 c1 ~5 c( ?
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);
    - ^1 w0 Z$ {! i: y" S3 q3 \
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    $ a! Q  i/ h; f! M" Y) }& T
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    & S+ ]  p6 X7 V4 a( e8 b9 K
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    ' E8 _/ ]; n4 R* N/ O
37.                     }
      j3 Z  n' O0 Y- ^6 F  C( p
38.                 }
    % i1 o9 {: W8 e* p3 t- D
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    0 g6 C; g( N0 s; g& ~
41. 
    
42.             }
    
43.             catch (Exception)
    $ c: Z& [: w3 }1 x! ^
44.             {
    / g% x3 N" ~/ [8 r
45.                 strWebData = "error";
    
46.             }
    
47. 
    
48.             return strWebData;
    
49.         }

复制代码

) l; i% {2 \6 k# O" U

PowcAncn

weishaneweishane