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
# N/ W! U$ k3 u; C0 ]9 `/ z能自动去重复

李小冲

1. #region 抓取全站链接
   5 \" o* n9 q. a# X1 I# _$ L
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   ) e" k# m+ u. [$ w
5.             try
   
6.             {
   : X+ F. N1 H9 o, h' `$ j6 Y  X8 w
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   6 w* ~( o9 ~0 O  c# E+ [% O
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    5 k/ {# T* G% i1 p0 H
11.                     MatchCollection mc = reg.Matches(strhtml);
    ) W& D' M  `% d) ~0 t8 \9 B
12.                     foreach (Match m in mc)
    
13.                     {
    ; _) L, j6 o2 L: m: z5 Z
14.                         Uri uri = new Uri(url);
    3 {% v  w6 s0 [3 i; r6 @0 C
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    , M' B. z; c: L
18.                         {
    ! }) [) d9 j% l$ C3 j4 A6 J
19.                             fullUrl = m.Groups["url"].Value;
    " c, P' d  }8 x, R2 A- s3 S
20.                         }
    ' q2 J$ h: w/ ^7 {  S/ N2 G- x4 w
21.                         else
    8 q. u6 a) h1 s6 K3 z, g3 Z0 S" l
22.                         {
    " m, x- D$ b5 U& g4 M& Z# c( _
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    1 w  ~1 k# \. P
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    & F# M- B2 A5 X: B+ E
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    5 d. \8 x. p: P) z" E6 Y7 [  v+ y4 ?
29.                         //Console.WriteLine("…………………………………………");
    , A+ Q6 _9 G% P4 u% v( M
30.                     }
    
31.                 }
    
32.             }
    & ]" p) {5 [  q2 ?7 g  ~7 x/ z. k3 e
33.             catch (Exception ex)
    
34.             { }
    3 ^+ T1 ^4 G2 D9 m
35.             return allHref;
    3 r& u2 G( m9 j, Q
36.         }
    ) n. y5 W: W# }/ A' m; S
37.         #endregion

复制代码

  X; j* U3 U2 G8 b  p
0 h4 _6 ^, W% I& ~$ p

1. 
   4 k2 ~7 h& G) E( w6 x/ s2 y% V
2. 
   8 V6 ^4 A5 U! I
3. 
   # Z1 R9 d1 M3 B* s4 |; ~
4. #region 数据去重
   * g, |" L: m' l( d" B8 i3 L
5.         /// <summary>
   : y" ^* O% L2 ]$ [% S: @# y
6.         /// List<string>去重
   4 p/ U* {: b2 |2 B$ ^
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    1 E+ q4 I, {- E# W! x: g  x
11.         {
    ) |& W; d0 t4 z9 D8 E
12.             List<string> list1 = new List<string>();
    ! Z* ^. ^/ Y4 U, H9 d  G4 f
13.             Hashtable hash = new Hashtable();
    9 G2 D' t& Z0 O4 R7 K
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    4 q6 T3 S% F+ F4 R, C$ B
17.                 {
      T  S, Q$ g: U6 c) Q9 D) E
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    : U$ a" n+ n8 ~7 ]* }
20.                 }
    8 l% F% o  S: s7 Z' A
21.             }
    9 g+ ^! ?/ ?4 K
22.             hash.Clear();
    ( D6 s$ e2 E; z0 ?) p
23.             hash = null;
    4 o9 l7 \1 c/ I+ Z8 |+ W
24.             return list1;
    # q% L, X4 |# j! N
25.         }
    ) u& t) f6 y" @
26.         #endregion

复制代码

% o2 }/ z% H0 ^  I+ _, n1 c, Q

guys

李小冲 发表于 2016-2-26 16:17

( k* s3 c  S, o* m, {十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
& J. ]6 ?: f$ N/ q- 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.         {
   7 f: g, {* \0 `* }0 I
3.             string strWebData = "error";
   
4.             try
   " ^: u7 C/ \0 `# s  ]& @5 r' Y
5.             {
   / }. r# n8 Z, U$ i* b, Z9 _
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   $ A. D) @# q4 s  G
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
   , R# l1 e/ T# M
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)");
    - {0 |1 f8 Z+ s7 i# u# {2 T  Y
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);
    
18.                 //myWebClient.Credentials = mycred;
    5 J4 e9 {! G: b: x9 P; E
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）
    " T0 d; {" g5 ]5 \) s, w
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    9 w# G% w4 A6 G* M0 p
22. 
    6 Q/ \3 J8 c7 D: u5 q  p! E
23.                 //获取网页字符编码描述信息
    $ h$ c( P) D! e( d# g4 ~  A
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    % M5 w4 F5 T0 K7 _1 h
26.                 if (charSet == null || charSet == "")
    % {: I. q6 x4 i1 K6 E
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    : [  |: i  |. x; H
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    ; L2 t2 I# J& s3 d- z( ]
31.                 }
    , v: q- a4 m# I$ C2 b
32.                 if (UseUTF8CharSet)
    
33.                 {
    + U' X- O& L$ n* b9 l- l3 z+ H% s' H
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    / F% D* ?! M" A
36.                         charSet = "utf-8";
    4 S& E6 x; a0 @4 H; x
37.                     }
    1 @, e/ U: h* |8 @; J. k0 Y- X
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    % f+ k3 T1 z, v- v2 k' a
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    ! n$ |% E1 s4 j; `% M* R4 r
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
      C4 j# e( y* [4 S5 f+ Y
46.             }
    
47. 
    : W' N. ^* C  I0 y, ^3 I" ]
48.             return strWebData;
    # _. m# |4 c; u9 V
49.         }

复制代码

3 }2 b7 M. }+ J% Z; s
$ Y  |# r  L1 x

PowcAncn

weishaneweishane