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：
* o+ i  R  {+ f; Thttp://a.com/b
6 G3 K. S% x! j/ h1 q, Mhttp://a.com/bb.html
能自动去重复

李小冲

1. #region 抓取全站链接
   " X4 a" f7 y# l$ b
2.         public static List<string> GetAllHref(string url)
   , x& V1 J3 r" t: x
3.         {
   6 k- p7 t- V- C( x* s" @
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   2 r- ?- D% k& T4 W! ]/ N
8.                 if (strhtml != "error")
   # e6 B0 p8 I) G% g0 e) @1 d
9.                 {
   , g% ?5 a  I% |7 Q$ ?
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    2 s; P% N% H. d8 j; C
12.                     foreach (Match m in mc)
    
13.                     {
    ) e' z5 o; n. H& i8 M$ G
14.                         Uri uri = new Uri(url);
    ' M! l+ M6 \& L5 C" [. \$ B) d
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    9 k) D& m9 s  C7 E
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    
22.                         {
    & c. k; I6 c: M% \; [
23.                             fullUrl = thisUri.ToString();
    ) i; {9 U  j$ t0 L* T, g
24.                         }
    7 _5 h' K) }1 w& r$ t  L6 q9 Q
25.                         allHref.Add(fullUrl);
    2 `' f5 p3 ]0 i1 i; [# a
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    % q( I8 u+ K. h0 X4 h
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    ' X: V( ?& I# f) g' G6 b- @( o
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    1 B% _2 g: O# n/ Y0 D+ w1 I
30.                     }
    
31.                 }
    / ~' ~( {! `# m
32.             }
      Y$ x1 s; e' I. e) [/ c% N) A
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

1. 
   
2. 
   4 v( x7 x* I( B9 k% Z
3. 
   % O2 ^7 `* f! H9 \4 i+ f& P2 l
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   , D" m. x+ t& K; j5 Y5 O0 q! J# O- N
7.         /// </summary>
   ; h8 N+ M4 n: P2 i2 L
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   : A0 y- {; j, z
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    # C1 Z* i0 U- i- q, O
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    7 R9 m, D( G' J% m5 @9 |$ R( ^  C/ E
14.             foreach (string s in list)
    7 \4 v( d  R) r. ]# J4 y8 E9 z
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    / w) h2 {0 w5 i% f$ C) S
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    ( o8 B6 Y6 J7 t
22.             hash.Clear();
    3 s) |( {, w$ h& k. q
23.             hash = null;
    
24.             return list1;
    ( L- u0 n! U: J+ p5 R9 t9 ?
25.         }
      h4 G, x$ {8 P3 T4 n7 f) J
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
' N6 }$ p; U' E十分感谢！！！非常感谢！！

* a& V$ E4 ?" w# Z- H7 V缺少一个gethtml,用下面这个：
5 Y6 X7 l$ q0 [/ S' y

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
     E" x0 t, `% ^& P) I* b
2.         {
   9 ^! k+ p3 \. e- P$ N8 I+ }: [
3.             string strWebData = "error";
   2 o2 n  g# L8 G
4.             try
   
5.             {
   5 O% i4 Q' q6 n! X4 K
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   / B  n% ^/ W' Z+ c1 H5 V3 n5 o
7.                 // 需要注意的：
   ; b+ R7 ]  w, ^. P0 O+ @" l; n
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
   ; j5 }1 U2 O/ n* O
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
    $ Q5 M2 ]! c7 u5 a8 q3 J) e5 C
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)");
    9 v! A7 }2 M* H  L* g
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。
    9 k; d: F0 S% w/ l: b: u
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    $ f' ~! R7 \3 f4 S
16.                 //如果服务器要验证用户名,密码
    6 z# `+ Q" Q/ c1 e, |
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    - Q- W2 N# n% j5 K
18.                 //myWebClient.Credentials = mycred;
    , {% M$ a$ n* v/ k  a6 G* r( P
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);
    
22. 
    ' m; L! v7 K$ S) U
23.                 //获取网页字符编码描述信息
    ) _7 s( u, }. I
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    " T# J1 Y4 J8 L# T# W( g: W% h
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    3 L& \$ r9 S8 D
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    4 {; F4 E! F  W3 j# n. q: N3 e/ o
31.                 }
    # U0 ?+ J+ G* |: D* A. \
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    / h. v- ]! U' ^3 Q& B! }/ b
36.                         charSet = "utf-8";
    5 V( o* f& h" W" {
37.                     }
    4 }0 q/ M; S3 ^" W) q) M6 O
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    $ A% `5 g1 M6 C# [  s
41. 
    
42.             }
    
43.             catch (Exception)
    % R& r3 h' S' I
44.             {
    , T" V! R' J( f$ M7 o1 Z4 P
45.                 strWebData = "error";
    % t7 B4 y( D( s
46.             }
    
47. 
    
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane