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
% `# E5 p! L- W* e# F" I比如：
http://a.com/b
; e; e5 A7 k& |5 V- v8 }5 nhttp://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>();
   4 r5 x" \$ v* ~1 h  d) A9 \' @2 _
5.             try
   
6.             {
   4 S0 x, f2 J+ u) }  H( @: r, M
7.                 string strhtml = soso.getHtml(url, "", true);
   1 E4 x( q. ~/ n  p# B
8.                 if (strhtml != "error")
   : p% t- f+ _; Q2 e
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    8 ^  c. X) g6 N  U! _+ J$ ?! R' @& K
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    5 b% U6 G" w1 p/ d! R, u" @
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    " D% ?1 ^" N: P/ c/ o
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    & i! f" T6 z# k. O; L9 F2 ~
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    / F6 f7 X- k" @8 z+ i( ]
24.                         }
    
25.                         allHref.Add(fullUrl);
    - j/ s& c& j$ G- i3 Z6 z+ @
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    9 V4 y, s% F7 x# H
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    , R2 F8 x! x0 z( Z
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
      ?$ Z! h* z" {2 N# m  g0 k3 ]  e
32.             }
    * G6 `. @. X2 L! K9 F! _
33.             catch (Exception ex)
    
34.             { }
    , E4 `; X& y; [
35.             return allHref;
    
36.         }
    2 U( K* w$ l/ U
37.         #endregion

复制代码

5 [5 A1 i- j2 x' n) q* P# A5 Z4 {& p

1. 
   0 P. R& R6 G) n
2. 
   4 b/ y2 _$ `3 M
3. 
   $ q$ T# y4 {! w- d- @
4. #region 数据去重
   : ]& k9 S1 C) ?  B  R
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   " n% a( I1 k, d$ y7 y
8.         /// <param name="list"></param>
   + p; `4 R2 r2 C; Q
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    ; k: y" L: v' e. H8 E) y2 \+ S+ `9 y
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    9 Q% O3 i* S4 v+ \9 p7 N' b  `
17.                 {
    
18.                     hash.Add(s, s);
    4 V% g# N4 B- V2 p# x: R
19.                     list1.Add(s);
    
20.                 }
    1 R9 s7 n: {6 t
21.             }
    
22.             hash.Clear();
    ; ^0 o9 r3 W2 p* O7 l% G# c# g
23.             hash = null;
    , k+ T3 @3 s. |7 N/ o; `
24.             return list1;
    % x+ M' ?) p- L; {- I
25.         }
    $ L0 i# A1 i$ E8 X  }; s3 k
26.         #endregion

复制代码

6 ^7 u) [3 ]4 b2 L

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
  o. ~( U# o/ V7 O' P0 ^十分感谢！！！非常感谢！！

/ h+ G* S# s* N( q, P缺少一个gethtml,用下面这个：
2 k# n/ m! N+ ~" `* A

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 n& k- U- g8 x
2.         {
   
3.             string strWebData = "error";
   
4.             try
   & z4 P2 Q, _, N% N5 L
5.             {
   % }$ o$ O& \; \" `
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   6 ?+ R& j  ?6 ~0 L
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
   
10.                 // webclient.Headers.Add("Cookie", cookie);
    5 U( L# o$ Z' Z+ y3 y7 M' F- \
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    ' n) u4 [* E- F; R4 l4 I+ c8 ]( e
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 R  r: h: S  U9 w
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    1 k4 j% M7 Z5 X; j& [0 z& ~- W
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;
    7 m# [: Y, b5 B& K9 F7 E7 g8 @
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);
    
22. 
    
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);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    + C; _# Y( Z2 y4 a
29.                 {
    ( W4 p2 q4 S$ k4 V" L, N" C, e
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    / L. }4 F6 s& [: F3 D6 F
32.                 if (UseUTF8CharSet)
    / k1 q* n" N+ m0 l4 b5 _; [
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    ; T3 h4 S! O# ~
35.                     {
    ! k8 Z5 z  {  o* M2 L$ l
36.                         charSet = "utf-8";
    + `  y0 {0 u/ E) k. `
37.                     }
    1 X& @  R) p6 I' e
38.                 }
    $ t: b; o' T3 I. [) J, H
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    " ?# |! A3 ~; Q4 J: p  n1 A
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    $ D" |* P- n! N  v0 k. D
41. 
    + O8 X/ U# N# @2 Y$ t
42.             }
    
43.             catch (Exception)
    2 d% W. C6 ^, t. p' |& ~
44.             {
    - P' h% K/ s0 K1 n: j# s- F
45.                 strWebData = "error";
    2 s* p# G' M( @: |3 u) S
46.             }
    1 c+ h: R# ]; H8 y
47. 
    8 H( x6 n6 W# `1 l! C
48.             return strWebData;
    
49.         }

复制代码

, L7 \. f1 f3 y9 O3 I! e
3 D" Q+ w; D& M% f- w  M& v

PowcAncn

weishaneweishane