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：
. w3 N( b  \9 x" Thttp://a.com/b
. g. q. o% Z2 s3 Xhttp://a.com/bb.html
能自动去重复
1 u6 L, {1 ]$ s2 U9 D

李小冲

1. #region 抓取全站链接
   + C; |4 `) C! p7 W$ k- s
2.         public static List<string> GetAllHref(string url)
   7 Q* I8 E, w% {7 }: Y
3.         {
   $ m' M% t& _: o+ W% l1 K$ x
4.             List<string> allHref = new List<string>();
   
5.             try
   1 v( |5 X) {% o( `
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   : M7 ~8 v1 n0 n; ]  F+ F% H, z
8.                 if (strhtml != "error")
     e9 d7 A9 a8 R5 a' o
9.                 {
   ) _! y% e- l$ B
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.                     {
    ' |- K5 \9 S3 p9 ]
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    # w7 D% X: x4 s- W1 A8 L0 A
16.                         string fullUrl = "";
    + z% ~" j  a; x( _( H6 w
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    # T# b% d4 O, v. \
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    8 X9 d2 y. V6 A$ _  U% z7 O
20.                         }
    / M: C  Y) {% t- c4 \; P
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
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);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    , W, S  P3 N. z
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    " f7 i" x( p" p+ o3 |
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

$ e3 a8 b$ y% ^  h6 T5 D; }8 t: x

1. 
   : F. `8 @) O. j* R# f; x. _/ O9 v
2. 
   ! d/ }/ X5 d; Z+ W
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   ' {& m, V1 H$ R( k; |' K
7.         /// </summary>
   
8.         /// <param name="list"></param>
   9 b, P! h1 {# {. N3 r0 k
9.         /// <returns></returns>
   % i" r( c6 P1 ~& e; \( {+ r3 y  z
10.         public static List<string> getUnqueList(List<string> list)
    ( C* @: D" x" @! O' _
11.         {
    + ^7 o8 e  e, q) ?& ^
12.             List<string> list1 = new List<string>();
    # N2 Q: G# D3 r! b6 R( _4 C7 {. a1 r2 G
13.             Hashtable hash = new Hashtable();
    $ ^( I; O0 W  P5 o4 P
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    4 k1 `# a  \7 a0 |; I
17.                 {
    9 m% I$ q' R0 g! F  _; ?1 G
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    " g4 W/ _; ~# y: [7 D; D
20.                 }
    
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    6 j/ A. m5 U4 l' x, T! K9 T) F3 G
24.             return list1;
    
25.         }
    7 d3 x) E: U* V1 q1 W+ q2 ]% p
26.         #endregion

复制代码

' }" Z! o6 ]$ f/ Q
9 ]: g8 `3 I9 g& |+ L

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
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.         {
   2 V* B4 e! H/ @" P2 _
3.             string strWebData = "error";
   
4.             try
   
5.             {
   & ]* S( X, t6 U
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
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
     D* F1 r8 n5 ~; l
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);
    ; \, m/ Q5 A  S1 `9 G& }
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    3 |, T2 L+ n6 x6 t; d
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)");
    % X. [; i) T& v3 Z1 `+ d
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    9 Z! c7 |: f2 d$ x( w2 m
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。
    $ q. D9 {; x1 T- `
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    2 `; V+ J; z0 [! S8 l" D
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）
    
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    5 k! A2 R: |* M/ h# e- J
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    & D# H/ @1 `0 o( q* v+ q& O8 z- @
22. 
    $ O/ ~& G3 Z2 o9 P9 z8 V/ ?$ a
23.                 //获取网页字符编码描述信息
    ; k3 |7 A5 v" l0 a% o5 G! \" b8 D6 g* Z
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    : f  L! [" K* V; D
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    + U" H/ C8 y7 o7 ~7 g7 ~
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    * k9 d. u# `( b$ R5 O% C! K+ U$ v
28.                 if (charSet.Length > 0)
    2 R  `% B4 ?1 w
29.                 {
    ! Y; P, T: }) b
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    & M6 ^, W6 K$ m4 k
33.                 {
    ' j+ P* g. l/ H/ x1 A
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    2 g3 D- G& k$ D
37.                     }
    
38.                 }
    9 y9 C3 b4 L  y0 \7 d$ V8 c: v
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    : L3 n+ ~0 ]- E) I+ P" n% ]9 b& i
42.             }
    
43.             catch (Exception)
    - C) s* B% I# |$ y& [( U
44.             {
    
45.                 strWebData = "error";
    
46.             }
    
47. 
    
48.             return strWebData;
    5 g7 ]6 k! b3 u/ j+ M( ~& }2 x
49.         }

复制代码

8 i1 c% @9 e9 }# c

PowcAncn

weishaneweishane