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：
, t( H/ t/ K( e$ jhttp://a.com/b
8 W# D2 @, d& \9 U& D9 chttp://a.com/bb.html
能自动去重复
) d+ U1 h! M, u" C) ?& a* x( b4 v

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   ) W9 R( a, x% S. c
3.         {
   
4.             List<string> allHref = new List<string>();
   : M/ u. @) W1 c
5.             try
   
6.             {
   ' \( I+ G) x5 A1 V
7.                 string strhtml = soso.getHtml(url, "", true);
   ) Y7 U- Y/ e3 p- q4 H; V
8.                 if (strhtml != "error")
   * E' m3 f0 _' c0 L' f( }" ]* S9 Z
9.                 {
   ) S) j4 A( p  W8 c
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    1 U3 X: t* T, [
11.                     MatchCollection mc = reg.Matches(strhtml);
    # V' f3 W3 Z0 d
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 = "";
    % y6 n& ^* i( ]
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    3 j) F: @! |0 P8 F" Z2 b0 h
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    5 `- G  U' m0 n; P* v1 l
24.                         }
    
25.                         allHref.Add(fullUrl);
    * Z% R/ v9 V( P2 L% G- n$ G
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    9 K7 A; b# ^$ f; Y7 R  |& s- y0 |
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    ' K5 {1 [, I! B
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    ( ~; F0 _" R4 k" v) x
29.                         //Console.WriteLine("…………………………………………");
    5 K8 Q+ i6 d. H/ ~$ H+ d
30.                     }
      p! A0 \, @; T6 ~
31.                 }
    ! a" m7 t$ V5 S# x7 j
32.             }
    
33.             catch (Exception ex)
    0 o! D5 T9 k3 G3 r* d
34.             { }
    - `% U( b+ M6 @9 s. n
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

1. 
   ( y% U. D; m- I) X! v8 A# z9 x
2. 
     |/ R/ u; h8 t0 _6 U
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   & F- c6 h( x9 {& i6 }, N
6.         /// List<string>去重
   ( _/ v, Y8 |7 j- |7 y5 v+ o
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    2 L' Y/ Q1 a; U$ D" ?& P
15.             {
    7 j/ J: a5 y! Y
16.                 if (!hash.ContainsKey(s))
    3 ]& @8 t1 G: t0 U7 b
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    5 u% Z. K  j! q: E( A& T& n9 h. o  c
20.                 }
    7 w: B' `0 q6 y. k! e! t
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    " Y) A+ T' f. q) E8 [
24.             return list1;
    3 |+ H9 @8 o* }; |8 _4 g. ?
25.         }
    
26.         #endregion

复制代码

9 A( j4 v: ~1 a& \1 s# E

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
4 Q8 s  P7 D0 x9 S, c- `  F十分感谢！！！非常感谢！！

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.         {
   9 j; T1 {0 H- ~& |3 A" \( u
3.             string strWebData = "error";
   
4.             try
   
5.             {
     d6 [4 y' H3 k1 R
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   ) D( F* I0 a) _8 D, {, W1 L) f
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);
    2 t/ ^6 D( h3 j: m! p5 P3 G
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    / y8 X! W9 o. b; o7 [& e$ g' V
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)");
    $ y2 f, C/ o( q3 s# @8 {! i
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
    . _  {1 M4 r' x$ b3 B& m+ `; @
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）
    
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    3 E9 K( u" h, {+ A
22. 
    
23.                 //获取网页字符编码描述信息
    6 L% y. p  W% O6 b5 g4 t2 l- p6 l$ g
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    ; `$ ^# x! K. ?$ P5 }
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    & t$ k" w4 k5 L  R' ?6 b2 M  X. a- C
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    : }9 Q4 t$ J/ o
28.                 if (charSet.Length > 0)
    . N& H0 g% _  o
29.                 {
    7 P5 N' K3 P& ]5 M4 o
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    0 c$ ?- D; g  d4 U' T" A
32.                 if (UseUTF8CharSet)
    ( k9 j# |3 U: d& _5 C* ~& I; P1 z
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    . s3 S7 c9 ?: Q! s
36.                         charSet = "utf-8";
    
37.                     }
    0 a% G. E4 t9 R; E! L
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    0 k/ c, b7 q1 u/ B  A
41. 
    5 m! H" z) q( r" d7 S* w
42.             }
    1 M% w- Q3 i  o6 |- e- T
43.             catch (Exception)
    ' L7 n. P& L5 E: s9 M$ R
44.             {
    ) ~. W/ I0 H7 w" Q, D! G
45.                 strWebData = "error";
    
46.             }
    
47. 
    
48.             return strWebData;
    
49.         }

复制代码

- v  \: T0 T2 Z, }
& w6 ~6 @% l2 K9 P1 q. g

PowcAncn

weishaneweishane