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：
) _* K: m4 M0 V! Y/ Z$ ihttp://a.com/b
1 P0 g4 p" j+ y& chttp://a.com/bb.html
3 @, h8 ?% J  K5 |/ C能自动去重复

李小冲

1. #region 抓取全站链接
   # p9 T1 b2 G8 p+ G; T3 Y! s+ X$ t
2.         public static List<string> GetAllHref(string url)
   3 D' G* e$ Y9 H2 O
3.         {
     P- |+ e$ Y( X) j( v
4.             List<string> allHref = new List<string>();
   9 ]" I! i- A6 f: ^* w4 E; M1 I
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   * x) B  Z* y; y9 m/ V
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    ! O. V  i6 X4 A$ l
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    
13.                     {
    & R9 G2 w  e! ^1 m2 X0 i3 @
14.                         Uri uri = new Uri(url);
    ) |2 r5 B" }4 o& l. \6 ~
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    1 o, h, W) l+ D
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    , d% {- [6 b. c$ [$ @
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
      W, Q/ O$ ?( N2 T/ k
20.                         }
    
21.                         else
    1 w0 y1 j$ S: z. q
22.                         {
    # t) D# p9 L+ e5 R- ]
23.                             fullUrl = thisUri.ToString();
    9 u- c6 k" g/ J6 n5 @
24.                         }
    
25.                         allHref.Add(fullUrl);
    & r. ]% T  N. M& C& E6 Z- x
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);
    8 z9 C7 ]4 k% |+ I0 h+ X. P* G* ?
29.                         //Console.WriteLine("…………………………………………");
    6 e# k8 w2 O+ i( V6 ?# j
30.                     }
    
31.                 }
    ; E2 v4 j3 M. p, q" c$ F( f& f6 t- F
32.             }
    
33.             catch (Exception ex)
    7 F( L- j& ?3 e5 K1 B& M  h, {
34.             { }
    - h3 n) j2 M! R) J- K
35.             return allHref;
    9 D! D$ T9 {* F
36.         }
    & O/ N6 b; U8 H
37.         #endregion

复制代码

: l. G$ w% T2 ], O# O

1. 
   4 h9 Q: V) \6 Y5 M; H
2. 
   5 D! N- L: c+ k
3. 
   8 d& D* C" `8 c8 @5 B
4. #region 数据去重
   
5.         /// <summary>
   4 G# @# N& e- N  K( c, d( ~3 F( X; d1 I
6.         /// List<string>去重
   
7.         /// </summary>
   * ]( |0 T6 t& f/ E2 y
8.         /// <param name="list"></param>
   ) \3 I) V9 n9 O1 s  `7 m
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
      {5 {9 c5 @! k7 M8 t. E% C, L
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    : o! s8 c( H$ j
14.             foreach (string s in list)
    
15.             {
    ! \8 }$ C. F2 P* W
16.                 if (!hash.ContainsKey(s))
    4 o4 j2 d: L$ M/ Z- {0 h
17.                 {
    
18.                     hash.Add(s, s);
    " t1 I! t$ a( \$ T1 ^5 h0 t
19.                     list1.Add(s);
    ( n# M6 L" a2 B2 Q$ J+ u8 i$ O% u
20.                 }
    
21.             }
    & U: c+ S% S3 @: c
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    % b- z4 U% g3 I4 y
25.         }
    
26.         #endregion

复制代码

( K1 n  l( K+ h$ b- D4 m

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
9 K4 I" m2 _, q' b8 D6 ~, R0 C十分感谢！！！非常感谢！！

5 Q" \( Y; X- r& f) L- v: O$ P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";
   . ?) c1 a- N. `* t) R
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   2 `! W6 V& `( f6 Y1 Z
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
   7 x* |: N& {9 s( W( W, x
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   + n3 [6 m) U+ n# x/ B1 k+ o
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
    5 k& X, ^1 y2 O
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)");
    ; q% o& H- Q3 V  s, @4 ?& Q8 H" b
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。
    2 S* T7 M/ ~7 g% l, g  X; @
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
16.                 //如果服务器要验证用户名,密码
    % s( X/ Y1 B. H+ J
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    3 h* \/ h. I: ~
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）
    ) D2 ~9 A: V* N, F
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    ' O; e: k5 V" o$ d& x
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    
23.                 //获取网页字符编码描述信息
    ( R! Y+ p$ U' j0 M
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
      K  _7 g% n0 y2 E0 c. p5 {5 ?
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    2 s* ^/ ^, e4 X0 ]% u/ F9 ]
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    & M: H6 C, ~' Y* m
30.                     charSet = charSet.Replace(""", "");
    9 J' k8 R& A5 D8 N4 `9 n
31.                 }
    4 }( @8 Z" y( [& E* X
32.                 if (UseUTF8CharSet)
    + A/ W+ q# }. W7 F: z
33.                 {
    ! `" A& |& b: V1 C4 {( V+ b
34.                     if (charSet == null || charSet.Length == 0)
      N( {6 ^" G0 J
35.                     {
    4 N: k; K* l! d: f; }& a
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    2 ^* }3 Q9 n! J1 s
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    % ^( M2 @: J6 P6 ?
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    " t, k8 I7 t0 X4 l: @/ b
46.             }
    3 a4 Z; k$ Z. |
47. 
    - p1 @7 Z0 {2 u0 o5 i& \
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane