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：
' C4 Y+ u/ V% N5 X8 l8 w7 D6 nhttp://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
   
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   & R, a6 S( d. @' l. I2 q( ^$ T8 Q: F
5.             try
   + a! f' r7 o) Y
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   9 w9 h! u' D7 J. b4 J3 i: T( h0 V
9.                 {
   1 ?/ J' l( T; }, U1 R
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)
    + E6 t. o) z6 J
13.                     {
    : P# }  M! y0 f7 Z0 ]
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    7 A. D1 E* \$ I9 s( `/ G/ V
16.                         string fullUrl = "";
    6 ^( `# I: @! y7 q; R3 ^, p
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    ! K! }( ]8 w; N7 f0 |
18.                         {
    # c( \4 ~* L( m6 ~8 Q- m
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
      E1 B( D0 D' S3 V& p: c% P+ E
22.                         {
    2 \- o+ p; }. W2 x
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    5 q) v+ g- B1 h" C& h4 q. }* i
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    ( [! W8 i. z2 F& |
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    ) l6 Q6 o3 _+ A- J" N+ w1 W
29.                         //Console.WriteLine("…………………………………………");
    ; u$ L: l0 n. `% u
30.                     }
    3 p. P0 D+ V8 }0 G) m* ^6 H
31.                 }
    6 h0 a/ b6 v8 L  T# |
32.             }
    
33.             catch (Exception ex)
    0 \$ n7 H+ u2 ?  e" t
34.             { }
    3 S* p) T! e0 n, G$ w$ I0 A
35.             return allHref;
    
36.         }
    1 u# N5 r& ?6 V% N
37.         #endregion

复制代码

1. 
   
2. 
   
3. 
   + J# V" W/ Y/ `
4. #region 数据去重
   & a6 ~6 y/ y7 D. B: |( }: A
5.         /// <summary>
   . ?* A: P5 ~! X) a- Q
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   2 ?8 O2 W6 E8 a: H: ^
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    2 c" A$ P" Z/ Q# M) m$ v5 K6 x$ ~
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    % |* R2 z2 f9 S# q3 E$ x2 Q0 D/ I
14.             foreach (string s in list)
    
15.             {
      b8 A6 j3 z1 O0 B
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    ; Y+ d2 c2 l! T/ D, w. I2 S
19.                     list1.Add(s);
    2 B& f% |' H3 ^( ?+ g
20.                 }
    / w( i6 J: U2 M2 R% A( b! D
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    2 v' p; _( [8 d8 p# a) N
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

8 l1 B# g! v/ O) b3 k. Q- r9 S

guys

李小冲 发表于 2016-2-26 16:17

" ~  X/ W; S5 Y+ o) Y十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
1 s, p0 J% J4 y/ F9 x% o十分感谢！！！非常感谢！！

+ |$ P% S" A; H4 A6 u7 A: P缺少一个gethtml,用下面这个：
2 a- Q' `" U5 Q! S/ ^

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
   ) ~6 F. B2 t! @2 g- a
5.             {
   ; a% L9 Z" T: c" `5 b$ `
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
   ( M/ i3 |, y7 V3 x9 j6 q
10.                 // webclient.Headers.Add("Cookie", cookie);
    * X( y& O& z" s& u9 \) G7 M2 \
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)");
    
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
      A0 `4 z* \& D$ v" d* {8 c
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。
    " j" a6 H: T% T8 o$ F
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    ( |  p" V5 b( Q& r/ z
16.                 //如果服务器要验证用户名,密码
    0 ]# r7 j6 ^. n' S& T& H
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）
    
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    ; A; w- W: a1 M- V' E+ {
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    ' R8 }2 f4 }8 \/ ^7 @
23.                 //获取网页字符编码描述信息
    # i# n- l2 a5 L. \
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    1 S+ y. \. b% z# ^7 D0 G0 Y$ s: M
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    . R( X9 }$ l; c3 o  P  H
29.                 {
    ; Q" e8 W* D) k7 z8 m/ ^# [
30.                     charSet = charSet.Replace(""", "");
    , q1 @% a& |3 ~- B$ Z
31.                 }
    
32.                 if (UseUTF8CharSet)
    - x9 D; s/ d8 g' d0 r" \6 i: r
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    4 \( ?' A. L2 F% l0 r& \! z6 w
35.                     {
    2 s) e' X  ~) l
36.                         charSet = "utf-8";
    
37.                     }
    0 f: J' p; a. c, @# T5 }
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    
43.             catch (Exception)
    ; t4 }& w9 c! l$ v0 ^, K! m
44.             {
    
45.                 strWebData = "error";
    - p  _  X( a3 F( P# a7 K
46.             }
    % N( O; ]8 E( M
47. 
    
48.             return strWebData;
    $ h$ R( K. y# v% }% Z
49.         }

复制代码

, Z. ^0 Q1 t# o- q7 Y

PowcAncn

weishaneweishane