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：
, f- x" y1 B' @" u) n. ehttp://a.com/b
http://a.com/bb.html
: \+ e/ O& N& J  L1 r1 u能自动去重复

李小冲

1. #region 抓取全站链接
     `1 I& }& H6 ?' o$ \
2.         public static List<string> GetAllHref(string url)
   . p% |1 K% ]$ A3 U8 s
3.         {
   ) C! ~+ G/ t' k
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   1 j; ?2 k/ v8 f1 q
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.                     {
    ! u# F  f; ?  z! K* p
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    3 F3 u: _7 h* S
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    ; {7 o- u0 z- A' w5 ^$ X6 R
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    7 k) Q4 J4 S) G% ]7 ?9 A' F
21.                         else
    
22.                         {
    ' R9 k* ?0 i" p" ?
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.                     }
    
31.                 }
    ! ~; u' J; n7 J- E9 A; X
32.             }
    % d" Z( O5 Y7 {0 I" H
33.             catch (Exception ex)
    5 _$ W1 m- g& \- J% E
34.             { }
    8 z6 R* d; h" @9 T" }% H
35.             return allHref;
    ) _/ _% F' {/ `8 b" Z
36.         }
    * R0 d2 [% n1 N
37.         #endregion

复制代码

, s" t) Q) D. \+ w  Q" G# x. c9 w. l

1. 
   , ]2 H" P; T, ]4 n) p9 t
2. 
   
3. 
   
4. #region 数据去重
   9 S  ~- d' A+ S1 r4 l% J
5.         /// <summary>
   : m- A3 [- P. K% M6 [6 G  @: u' ?
6.         /// List<string>去重
   6 Z- K" F! y  g7 e7 B/ j5 K3 s. l
7.         /// </summary>
   7 p$ t1 i& x2 m7 ]. D, U, I
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    " Y  x' f1 S- a( G
11.         {
    
12.             List<string> list1 = new List<string>();
    8 r$ \7 v3 ~! _, v' E3 w
13.             Hashtable hash = new Hashtable();
    ' i5 N* y; f) H" u
14.             foreach (string s in list)
    
15.             {
    4 d" Z& ]8 l+ H' }% v* Y) Y0 }
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    5 v5 _6 `3 Q& D0 O, N: i! U
18.                     hash.Add(s, s);
    0 f; G* o) j. [, V
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    # o/ `7 S" K6 d* O6 ~5 v! I
24.             return list1;
    - E0 ]# z1 @4 T, S) w
25.         }
    
26.         #endregion

复制代码

- i3 O& L( p, Z0 _* V% X' P
$ z/ i7 @" b0 \* J  q0 y

guys

李小冲 发表于 2016-2-26 16:17

9 Z9 r6 z  F- L' @十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
8 J6 u# X0 K7 e+ o# e+ G+ m2 e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.         {
   
3.             string strWebData = "error";
   
4.             try
   % s/ F* g8 H0 k  I) x
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   3 Q. w" ?& N9 W: f  e- D( n  T- I$ u
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
   / j8 @* }+ W# i6 J/ r
10.                 // webclient.Headers.Add("Cookie", cookie);
    ( L! S3 d' r  G
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    ) E& X, K4 Q( H- u; w# r" Z# p
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 d& \& c6 }! Z6 S% V" f
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;
    ! |4 i7 z2 f! w1 `+ Q9 x/ }
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）
    + N+ K2 V2 `/ s$ u' q
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    ; Q- \. J, F. z. Z" S/ ?& b
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    3 m. m6 Y! |- B4 f) n5 {
22. 
    
23.                 //获取网页字符编码描述信息
    5 V/ I8 W0 S/ s9 b! A
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    # J4 h0 I- [- z6 j# I
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    5 W1 Q" b0 c& f# z6 M% A; w4 |/ `
26.                 if (charSet == null || charSet == "")
    * h% I1 ~* I3 q% R( }
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    3 D- p. R' e' R; y  h
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    5 P. d. f; d/ z- B* o3 y8 V+ T
32.                 if (UseUTF8CharSet)
    4 b8 M. i: w9 Z7 \
33.                 {
    / n7 r1 K1 H  @) r
34.                     if (charSet == null || charSet.Length == 0)
    % I- Z. A# c3 ^3 a1 B) H" a
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    ; Y3 m0 r0 H, e, [, v% e0 C
38.                 }
    ! p2 m2 k  [' L* X4 V5 ?5 k
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    / J: _' Q8 f+ @3 ^
42.             }
    
43.             catch (Exception)
    
44.             {
    7 ^* I) h+ Q5 ]6 z% f
45.                 strWebData = "error";
      {6 o4 J" J& G% O0 A% z
46.             }
    ! ~: w  R  c) S9 m
47. 
    
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane