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：
+ T9 p. S3 d+ r) v8 bhttp://a.com/b
http://a.com/bb.html
# T: a. N: V/ z$ s2 U& k% P- S4 U能自动去重复
, F3 ]# m( t4 m3 J! [, @5 P

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>();
   
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   - K+ g+ q' \( H2 D9 v' i' m0 I
8.                 if (strhtml != "error")
   
9.                 {
   1 X% B" v" `) K# R. g
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    $ Z; V; Y) Y% i# c- O1 k  c) ]
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    ; T$ Z' ^7 u- L0 t
13.                     {
    
14.                         Uri uri = new Uri(url);
    2 x( H; {, R5 m5 s  e) X4 M! ~
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    * U/ R. H/ b$ e0 P1 J3 G; t" ~
16.                         string fullUrl = "";
    0 N* [" {3 I) V
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    
22.                         {
    3 H) s: W5 G# X5 s" j* ~
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    ' ^) U1 F* C! a7 ^! Q0 E) i* u3 s
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    3 V, d+ w# i" `7 y% f( T
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    . E$ u0 @4 \6 f) Z9 V
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    1 I5 W$ u+ A: {6 Z
34.             { }
    
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

2 E, S' ?; R" |4 k5 ~

1. 
   
2. 
   
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   ( J, L$ \) O; G  ?
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   6 s5 ?7 z( Q# [6 b8 V
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    8 `0 _, F$ {( O& G3 ^2 T' \5 M
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    / ^( P* J* q/ W/ N* h# n
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    # |: n* B8 o# F
20.                 }
    ) R  @8 m5 a/ O# _/ e, p
21.             }
    
22.             hash.Clear();
    # @- S) \: P! s: R
23.             hash = null;
    
24.             return list1;
    $ F! n% m" v, `- U
25.         }
    
26.         #endregion

复制代码

' g/ |$ ]  L. q, M7 Q( W5 r
- {' @# }& {2 v

guys

李小冲 发表于 2016-2-26 16:17

7 y, @, z: f) e$ h8 b% x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！！

缺少一个gethtml,用下面这个：
! _0 R7 v! E# q# _

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";
   . N. q" Q  S2 j3 c7 W$ s: B$ F
4.             try
   . F4 d, L' ?  e' k0 S
5.             {
   , r& {$ t( m) k1 E  J4 m( U+ w
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   % u0 q, [- E5 i
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
   3 \/ k/ h: A2 `
10.                 // webclient.Headers.Add("Cookie", cookie);
    + E) Y1 p2 f3 ^1 g  N: L% m
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    5 N: i4 s2 X5 h( f
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;
    
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;
    9 B. r* L1 s$ F7 X0 c* |
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）
    6 G& i8 K( K& u% A
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    5 X* p. b; C3 `3 o( y2 c& J
23.                 //获取网页字符编码描述信息
      l2 O. P' }5 D$ p" D2 W
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    4 ^9 ~  X; @" \
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    ' a% s: i5 ^# P5 q2 X3 O( s
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    " r5 \9 [( X) w4 v! k6 r
30.                     charSet = charSet.Replace(""", "");
      J/ M  w- t- I7 i( K
31.                 }
    1 D% o/ k1 k# z
32.                 if (UseUTF8CharSet)
    + T  f4 i$ j& d+ I9 L& U
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    " n! {' x9 ~& ^( G& l: ?
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    2 w4 c& @% z6 U" ]( m3 F3 W
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    0 t( W; |. }0 Z8 [6 n
43.             catch (Exception)
    0 |# i) [* M1 Q; z! V
44.             {
    
45.                 strWebData = "error";
    
46.             }
    
47. 
    
48.             return strWebData;
    # d/ R8 K+ K: P" D) y/ m
49.         }

复制代码

0 z* ^* c/ c8 n; w2 v6 i9 S
" t, a5 ^! M9 B- \( e) h  x" V

PowcAncn

weishaneweishane