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：
( Y% x5 W7 q& O! A4 u8 @http://a.com/b
http://a.com/bb.html
0 e0 j/ t4 Q, ?& q9 P, J& E能自动去重复
# E' F; d$ w7 q2 ]) O: M

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   
3.         {
   $ D/ ?) F7 Z9 H! n( N1 N, k5 f
4.             List<string> allHref = new List<string>();
   
5.             try
   # \) M) F9 S4 Z3 o
6.             {
   7 A' ~, X6 N- a1 V7 Q$ S0 I
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   - Y! n4 k6 L0 a* m% {0 b9 B
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    + F. ^! u$ K& p2 I0 p
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);
    9 k" B3 k$ Y" @' Q
16.                         string fullUrl = "";
    ! k1 a$ I4 o0 ^3 j' E% `: \
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    " {7 Z6 j9 M! g5 N+ o( H
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    ! l! @6 s+ r! c
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    * _/ X# j. y* \/ ~! F: w
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);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    : v4 c( s/ S2 p0 V
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    , \( z5 p$ n8 y& }+ x5 [7 r5 b/ C
31.                 }
    8 T) T* D; w1 n' [1 d; i# |
32.             }
    0 S8 S. A% {* T) |! q
33.             catch (Exception ex)
    
34.             { }
    & g4 C4 g$ C; x. v7 \
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

6 \! f, t+ f! l& `; B

1. 
   0 {, b9 E: D4 J0 I+ W/ J, B" L# k
2. 
   1 e+ }1 u- {# Y  U
3. 
   4 g) x% s) }; T8 \3 b7 t
4. #region 数据去重
   
5.         /// <summary>
   8 J# G- E  ~4 g( _) E
6.         /// List<string>去重
   ; U. L# @- P+ \& G/ `
7.         /// </summary>
   
8.         /// <param name="list"></param>
   1 R' ]3 k. B- j* T, s1 y) @
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    / ?$ Y, E4 j3 ?4 m
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    8 ~. z: J( m3 `
14.             foreach (string s in list)
    5 v2 n  V. m8 O- V2 q5 L+ P' @
15.             {
    * g+ k; `% I4 s3 P! B" b
16.                 if (!hash.ContainsKey(s))
    ' n8 T9 |5 w: g4 w, J( I
17.                 {
    
18.                     hash.Add(s, s);
    & f, X+ H( f: G6 H, z. R- K) {. L3 H
19.                     list1.Add(s);
    ; j* y8 i+ ]. t
20.                 }
    
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

% A; ?6 B1 P8 u
# W! p& t# E2 ]# {- N

guys

李小冲 发表于 2016-2-26 16:17

0 w. Y; D' t  q3 C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！！

9 u/ j. C0 n! `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.         {
   : \* N3 q& X; s3 Y# a9 e8 Z9 X  O
3.             string strWebData = "error";
   
4.             try
   ( t# K* ?* D5 C$ a" J" m
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   % \- I7 b, g: @
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
   , X' a. Q$ m( ]+ k  Z1 v' e- L+ W) Z
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);
    ) K# E( J7 q0 d* S. g) C
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;
    
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    , n" W/ M0 t! o
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);
    2 b. a. n; A9 m; k3 V) d) l
22. 
    9 {% ~. E$ V6 V4 |* @  {! m3 F
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);
    1 I9 }+ Q- m) c, }" X+ A
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    - m. \. J- @' x9 q% ~3 A5 Z
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    # ~7 e0 z% B, P) ]( I( p  t! j
29.                 {
      F+ [- g, m5 l0 p
30.                     charSet = charSet.Replace(""", "");
    ' b8 |3 v( n& T1 i: Q
31.                 }
    & g8 ?  a) _: S1 n& X8 h
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    . t9 \! d9 G' J1 \3 T9 \, P* X, q
36.                         charSet = "utf-8";
    " Z5 g$ j5 ?! \& K  `2 K9 O$ m0 F
37.                     }
    * y" h; z+ G$ l! G, e
38.                 }
    # z4 @% r0 S; l
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    $ J  l0 j) n2 i9 K/ v
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    
43.             catch (Exception)
    ; R$ Y; W6 q# |5 b! d# j& R* g+ l
44.             {
    $ t, {+ _1 A- Q: C1 r& t$ X, @* j- p! Z
45.                 strWebData = "error";
    
46.             }
    
47. 
    ' Y2 N: g; C9 l
48.             return strWebData;
    
49.         }

复制代码

8 s4 Z) e/ l  z* L/ S9 d# \* [0 A

PowcAncn

weishaneweishane