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：
http://a.com/b
/ q. b# ]' Z: x  k; G% ]7 S0 ~http://a.com/bb.html
# e) }# o# |) [% B; D: F2 T能自动去重复

李小冲

1. #region 抓取全站链接
   : U0 e* N9 S8 F$ q& E) D
2.         public static List<string> GetAllHref(string url)
   
3.         {
   2 s0 U8 G' ^+ {6 d5 E
4.             List<string> allHref = new List<string>();
   : o5 i* ^4 ?9 O, M$ {
5.             try
   % I8 W  B* Y6 |
6.             {
   ' v8 ^, h: S* r. d  O
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)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    : p2 g# d" }! }* J$ l9 Q
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    # A* |+ R( ^# y8 z/ l9 m% B* s
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    9 R- {. X2 W* Q/ @( f& q
18.                         {
    % P* X$ R# {3 i" [& V1 s& h- F
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    
22.                         {
    4 J# A3 L/ D- U, F
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    , x/ \3 X. K/ E6 O$ p& L' P) L
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);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    % H; u" R  S. z9 w2 ~: \1 [
32.             }
    
33.             catch (Exception ex)
    1 Z9 d* c! D7 h$ U$ r! L$ {' x
34.             { }
    
35.             return allHref;
    
36.         }
    & ?. l; G, p. `1 m
37.         #endregion

复制代码

* Z( i, b- p0 B$ ^  ~
6 M- k* }( d  O# R5 \7 G+ d/ ~- R& k. }

1. 
   - t6 d" i0 [/ A; _
2. 
   
3. 
   $ V3 d7 t, ]; k
4. #region 数据去重
   
5.         /// <summary>
   ! W$ r! b9 x9 ]$ ]( N( }" U
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   3 o% A9 Q" ]+ R8 _* a
9.         /// <returns></returns>
   + @% K, V* B: d) r" f2 ~! O5 g
10.         public static List<string> getUnqueList(List<string> list)
    5 b6 t7 ?/ Y' O9 m" X- K
11.         {
      R( y1 x( a8 s, u
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
      u( _2 X) |# b
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    , P" Y- V  s6 _0 D# k# q. [  ~  X
17.                 {
    ; p  ~5 T: t# O% M' q" q0 f
18.                     hash.Add(s, s);
    ' D: e" e  C2 R
19.                     list1.Add(s);
    ) i: K8 y' q8 b( d
20.                 }
    
21.             }
    
22.             hash.Clear();
    - [2 b6 R4 M1 x  ~/ f' |
23.             hash = null;
    
24.             return list1;
    * C. B7 ]' V( t3 G- D& C# o& _
25.         }
    
26.         #endregion

复制代码

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
8 h& ~" }7 i# ]; q& s十分感谢！！！非常感谢！！

缺少一个gethtml,用下面这个：
! m) U: H) p9 }) _1 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 A4 v$ o  ?9 m! b% X9 }
2.         {
   
3.             string strWebData = "error";
   " O9 R9 y3 E" Z- t1 ]8 w$ l
4.             try
   
5.             {
   7 c1 o0 g& s& a  K/ v
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   : h7 O! h; p- c/ [0 d
7.                 // 需要注意的：
   7 f( k  \3 a* V6 ^& o
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);
    
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    ; r* N: b( H! p7 l$ p, l( P6 H
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)");
    ! ^5 Q' F* R$ Z
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    9 W+ ?8 X, F" b5 o: q
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。
    1 c  M8 \. I1 }/ D! m( p
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
16.                 //如果服务器要验证用户名,密码
    & n+ l2 L* G. e
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
18.                 //myWebClient.Credentials = mycred;
    2 O7 v9 O( H: [; \7 Z. }/ S
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）
    2 y: T9 V/ S3 V3 D
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
    / f: }. {" r2 c; t, D6 g8 K
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    " ^' W$ Y' \, Y7 ]0 m% C( y" s' {
26.                 if (charSet == null || charSet == "")
    . J+ a% _# v  Y
27.                     charSet = webCharSet;
    ; f1 g' {+ A# [
28.                 if (charSet.Length > 0)
    " o: @7 N7 H4 H# E1 j8 m/ [) M
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    ; h! z  w0 F4 `
31.                 }
      V, w! h0 |/ i9 u
32.                 if (UseUTF8CharSet)
    7 P8 w9 V$ j9 r3 n% o# R+ K
33.                 {
    2 W; A/ x1 V! z+ H0 |3 A
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    2 \4 `. {4 Z6 K, w& c2 j
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    5 K% D& d2 K1 f8 N. j. N$ z/ M
42.             }
    
43.             catch (Exception)
    9 |! c" t& E$ `
44.             {
    7 ^* h5 I# J) ?0 t! ?
45.                 strWebData = "error";
    2 R( \; i9 U. r4 o7 h) F, z' n
46.             }
    ) y4 n. u. q6 _% }3 w9 C: K' d
47. 
    
48.             return strWebData;
    
49.         }

复制代码

) P, U2 o( h6 r# h4 V6 N  ^7 T- w5 F
3 b+ ^6 B; k+ _7 O0 }' o

PowcAncn

weishaneweishane