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：
/ W4 I7 P) c# shttp://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
   ' i- O0 C8 b7 v+ B
2.         public static List<string> GetAllHref(string url)
   
3.         {
   ( K% u1 W5 C. b  t& e3 }1 I8 ~
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   
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>");
    & y2 `6 T5 b9 E6 a; h7 o8 m
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    
13.                     {
    . U. }9 o8 I$ \/ h
14.                         Uri uri = new Uri(url);
    ! T7 r$ y! G4 ?& D" U. I
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    6 P1 S7 X) E$ b
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    # R3 O) g1 o) D7 I; ~  _7 f2 A
19.                             fullUrl = m.Groups["url"].Value;
    4 O+ k+ a- ~, }3 k% c  _' K
20.                         }
    9 A9 w6 z1 n2 _3 z
21.                         else
    
22.                         {
    1 @# |$ i5 W# P7 ~& O% _
23.                             fullUrl = thisUri.ToString();
    3 w6 ?+ z( S( s: i
24.                         }
    
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);
    4 z9 j( Z8 }! f* z5 s2 g5 U
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    
32.             }
    , t4 V& a, u" P6 O& G
33.             catch (Exception ex)
    
34.             { }
    " `/ H" V/ R' J! E0 z
35.             return allHref;
    / ?, R$ @9 @3 C/ l, W, Y- P& h; K
36.         }
    
37.         #endregion

复制代码

; Z% M, r+ Y# S

1. 
   
2. 
   # B" b# M# f( D' ?8 z# A
3. 
   5 G, X  G: P0 F& ]2 Z- T0 Q
4. #region 数据去重
   
5.         /// <summary>
   ) m& s0 i% Y1 _* j- S. ^) X/ U( Y4 E
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   $ M( f+ m, D' z; y6 t/ f! L( Z
10.         public static List<string> getUnqueList(List<string> list)
    4 P( w& Z0 Q5 p9 o; T' f" A. {
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    " k( z8 {# V; H
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    4 \& p5 {0 l# w& J( n
17.                 {
    
18.                     hash.Add(s, s);
    & T: e" B  a: n
19.                     list1.Add(s);
    - C( K$ r1 K7 N  [) y/ l
20.                 }
    
21.             }
    - J& `; F2 C. ], n% q* h
22.             hash.Clear();
    
23.             hash = null;
    , ?1 x# W/ Z$ k- n
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

8 W; O, A4 ?, n  m
* h- _7 v  a% f& u: \1 Y8 r

guys

李小冲 发表于 2016-2-26 16:17

* E, b/ r( w3 E- R, j' S( P- M十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
/ Q, Z5 Y7 n! y+ A4 j2 s" w0 x十分感谢！！！非常感谢！！

缺少一个gethtml,用下面这个：
$ {! _/ a/ g# B! B& h7 B

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
     z4 o0 j, j5 d
2.         {
   7 o: B0 D0 h: q) a2 @
3.             string strWebData = "error";
   ! p) t1 m/ ~. m- U/ r
4.             try
   * O& `# C+ t6 U7 W+ F9 Q7 L( k; ?! W
5.             {
   ' @, U* E5 T3 a( M' Y7 I, J9 @4 v
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   . w& {: Y9 q# [  q% Y- H& 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
   # E/ B! X' O& v3 L
10.                 // webclient.Headers.Add("Cookie", cookie);
    $ U: {7 A* m5 D/ M
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)");
    1 V7 r# r& o3 j9 {. X: C/ U' \
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。
    4 j9 S  ?: v# d- |1 A' |
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    - b& q. Z3 _9 l( ^* B8 j+ Y
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）
    . I: Z7 }% P: ]0 V6 l7 A  s
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    $ y2 Z3 H- k: P# W$ w
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;
    ; [5 i& V& m9 q, e/ X$ J
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    4 P0 ]' |$ `3 k  L$ d0 P: z
28.                 if (charSet.Length > 0)
    
29.                 {
    5 E0 Z* H! i! m' G' a
30.                     charSet = charSet.Replace(""", "");
    ; l  a; N2 O' a' L: q) |
31.                 }
    
32.                 if (UseUTF8CharSet)
    " V3 k3 Y% v$ o8 A7 D+ @7 \3 ^+ ]8 ^
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    # b6 R7 T; c; I0 ]" g
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    5 X8 q& K( w, p5 ~
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    # a+ m. s2 j. r4 g: b
41. 
    
42.             }
    $ i! x) o; j9 t3 W- d* l% d, E
43.             catch (Exception)
    
44.             {
    " c; ^6 |7 A& r8 T* R/ ]
45.                 strWebData = "error";
    , ]" [2 L& g  J: V" \! X
46.             }
    
47. 
    4 e/ W8 r/ H! r+ z9 _6 t. C
48.             return strWebData;
    ' E* C% Z6 z+ [6 Z
49.         }

复制代码

7 i0 m- y) \# M: S5 ]/ h

PowcAncn

weishaneweishane