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
+ s! r* }% {8 h9 p比如：
http://a.com/b
) {1 a, d$ S! ]1 A- Vhttp://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.         {
   ' O8 F+ s, `3 k  C  H' t
4.             List<string> allHref = new List<string>();
   
5.             try
   ) k( s- n6 y0 Q' k" Q' f
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   # H& A0 U/ A, M6 V0 v4 }; @
8.                 if (strhtml != "error")
   
9.                 {
   7 n* ^( v5 ?5 @2 `
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)
    5 T+ p" I% u% B" X* I' ^; z
13.                     {
    & S  u# A& F6 _& L( L* j
14.                         Uri uri = new Uri(url);
    6 l4 I6 _: `% e' V1 @. o
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    8 g- ~9 ?2 N! C
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    # q8 [* q+ N( p4 D/ R) x: N
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    , c$ ]! ^' r9 T) k  Z, S1 t
22.                         {
    0 n' _& H, l) Q  S. Y- I: D
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    6 z# \6 z# L  i' @3 k
25.                         allHref.Add(fullUrl);
    * _: b5 R3 \- {7 L4 U/ a; g
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    6 g9 k! {: u$ y- r6 p; g% P' k
29.                         //Console.WriteLine("…………………………………………");
    - Q4 S8 \' G1 o3 B+ R+ m* R" d
30.                     }
    , p3 O) P( j0 G  v/ l
31.                 }
    . f1 t  p7 }) W
32.             }
    
33.             catch (Exception ex)
    * m( ~* C+ o  m
34.             { }
    
35.             return allHref;
      t# |5 k1 @1 B$ U' v
36.         }
    ; C2 D6 v- w* G% \4 H; K" L  p
37.         #endregion

复制代码

" M2 M/ `( s; Y3 y

1. 
   
2. 
   8 S" v4 l/ S, d
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   7 x* j7 q9 O, c! c
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    6 `/ q' Z, e3 s9 X- c) U
13.             Hashtable hash = new Hashtable();
    * k8 U/ w( R- k* S
14.             foreach (string s in list)
    1 e+ X* R1 [; o- ~; y
15.             {
    
16.                 if (!hash.ContainsKey(s))
    - T9 k) ]# _- G) p
17.                 {
    
18.                     hash.Add(s, s);
    & A! U- [* l) D, t! t
19.                     list1.Add(s);
    
20.                 }
    # O; D1 |& r; l
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    $ D/ o! r. S" w2 S3 C+ S: K# C
24.             return list1;
    
25.         }
    ( }* E2 }2 {6 i& {! F& A7 j
26.         #endregion

复制代码

( Y7 m6 r1 Z2 f1 w( \$ o0 V

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, b: d4 U  L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
   9 |6 z2 H5 Q9 i9 Q
2.         {
   7 I, r6 w: }! I9 k* a
3.             string strWebData = "error";
   6 `- U! Z3 w- l/ J$ j- a
4.             try
   
5.             {
   & ?) C3 \0 R  J) b  b: F' {
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   - y" D& H8 D* S) {" w
7.                 // 需要注意的：
   " M8 k: {# H& ~3 u' d
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
   5 D5 n7 |; c/ k9 N* j
10.                 // webclient.Headers.Add("Cookie", cookie);
    . a9 Q6 s/ v7 g0 [
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)");
    
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;
    - w) B( v, u9 e6 j* S
16.                 //如果服务器要验证用户名,密码
      B* f6 r4 P5 y' r6 e
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);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    - x" |  f9 C4 u1 F; [, T' ~9 z
22. 
    ( b$ ~3 R5 M* ?& |; a8 y& V8 w
23.                 //获取网页字符编码描述信息
    : V1 X, Z- r" r5 ?* K: t5 P9 q
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    ' G- z8 }5 m2 T4 |
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    5 U' Z. D! a! `" c) S. W
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    # E5 u% ?' A) ^0 E$ v6 Q1 u
31.                 }
    
32.                 if (UseUTF8CharSet)
    & Q! _4 w. c9 _1 I( `
33.                 {
    3 z! g: L7 d0 s1 V5 h9 ?' U
34.                     if (charSet == null || charSet.Length == 0)
    8 C, p$ x  ^/ k9 i% r
35.                     {
    / V5 s6 t$ b6 I: p8 W% [
36.                         charSet = "utf-8";
    - x+ [2 }4 X: I$ G) [
37.                     }
    ! T& {4 ]% ], W& l
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    # `3 {- B7 x% i/ @6 C/ `- ?
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    , K3 z/ l9 u# m! s* @( w- \
41. 
    
42.             }
    ( \( `, p# e5 }8 @* o* U
43.             catch (Exception)
    6 N' V+ M: {' w/ p8 e7 [
44.             {
    
45.                 strWebData = "error";
    5 q( O) ^  E6 G( }0 s( I$ }" L1 k. h
46.             }
    
47. 
    
48.             return strWebData;
    
49.         }

复制代码

, t, U& L# M$ |7 w/ ~

PowcAncn

weishaneweishane