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：
3 W2 j5 l7 }' Y6 w) t* c4 D2 Bhttp://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)
   ' u3 f2 y" t% A1 Y% \
3.         {
   
4.             List<string> allHref = new List<string>();
   : a1 i; }: M# X  Y8 @- l- S! X& D' ^
5.             try
   # ~' U& T/ d$ v& v/ Z0 R4 p
6.             {
     _8 V9 o7 j) \* r
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   
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)
    . M. C& d% f2 S4 r% n8 R
13.                     {
    $ E" a( Z& M  b) E0 L2 e0 U* R
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    ( \+ t: m) y) O% m. F
18.                         {
    ( b& V4 W/ e" l/ N! I. @
19.                             fullUrl = m.Groups["url"].Value;
    # x1 F. v/ v  a% c& @
20.                         }
    
21.                         else
    
22.                         {
    ; Z! ~( Y0 r2 s- V5 d. V+ W
23.                             fullUrl = thisUri.ToString();
    6 }1 E5 P& ?6 L3 f3 Z8 H, C0 Q
24.                         }
    
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    2 s3 a3 o$ a: ^- v3 d
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    3 _7 B6 m" i$ p9 K# w; S
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    6 O1 u) U+ s$ `2 z  }, o
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    : g8 _7 n* l  R5 ?$ D
31.                 }
    
32.             }
    % J' E% {  Q. i1 s
33.             catch (Exception ex)
    1 }. s, t+ g) d* {6 m
34.             { }
    . f  y" ]& G( a7 ?) q% @6 J
35.             return allHref;
    1 m( O, l: e; w
36.         }
    5 Y- L4 J4 ^6 {1 k
37.         #endregion

复制代码

: _+ C% O' e+ j4 p& j

1. 
   
2. 
   ! V8 l  x$ H: P$ H
3. 
   8 G$ |& W- k, V! ]
4. #region 数据去重
   
5.         /// <summary>
   ) |4 W: b" \" c9 n; j& N
6.         /// List<string>去重
   
7.         /// </summary>
   ! T# Z8 j3 y* W. M  y2 B9 n% T3 K
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   ' w  S3 M3 o; s
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    7 g3 ?1 U/ U: S9 j! ]" v
12.             List<string> list1 = new List<string>();
    " f* g: `  {" U6 A
13.             Hashtable hash = new Hashtable();
    : v! P& \5 ^) r: Z# h+ A! x
14.             foreach (string s in list)
    
15.             {
    2 l% U0 C3 H1 j" m) b1 k
16.                 if (!hash.ContainsKey(s))
    ' W6 p  R; t% E2 U* G/ [  \, U" i
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    * \% d3 S+ s5 Y2 X. z: |3 @4 |7 `
20.                 }
    & }# b8 K8 e- i5 c) a1 h
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    
25.         }
    1 i  F) }) g, T5 \0 B* P. x# Z' X
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

. w5 n0 z3 h2 {2 ^. G/ f* N  U3 h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！！

3 ]2 Z2 }/ c8 x8 l* E, f; P6 t缺少一个gethtml,用下面这个：
" @$ O& G2 a3 n. w

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";
     X2 K9 l4 B8 P
4.             try
   
5.             {
   # d# F+ a( l2 V2 n
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   2 g5 T  ~# l1 ^0 x8 Z
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
   0 w1 H4 Z" b' p
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);
    
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    " s% c2 ^1 {0 s5 T' K
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)");
    . A% z: j% r/ R6 D
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    ) c" o' |# G& A2 i, b; w5 N8 o7 P3 [$ Y
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。
    ' K( l0 U. e. ]  u% d" i5 u
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    ! Q' Q/ R" @1 c5 f
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;
    
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）
    ( `5 `7 o. F$ i. v$ T
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    9 V4 p/ M9 {% ^6 X
23.                 //获取网页字符编码描述信息
    3 D4 k4 T2 H3 |# D* {6 f
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    * B& p- _  Q2 n# X" \, L
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    & z/ E! ]3 j+ b2 Y1 n3 @+ ~" X! e2 i3 t
26.                 if (charSet == null || charSet == "")
    3 q- a! |$ Y& y2 E* S9 _, J
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    1 W" H; ^5 Z; \6 f: k+ Y
31.                 }
    $ [5 O$ L2 \4 ~  M# A2 C
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    ' m6 W3 c/ `0 g; D
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    . k2 X7 c& W1 o7 `& ~
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    
46.             }
    0 @. C# V* b4 |" ]
47. 
    
48.             return strWebData;
    
49.         }

复制代码

+ ~0 L  z% l, z2 b- T

PowcAncn

weishaneweishane