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# ]- p" }# d, c. W" mhttp://a.com/b
http://a.com/bb.html
能自动去重复

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   
3.         {
   # O. J) k  J  F) C' K
4.             List<string> allHref = new List<string>();
   4 y% Z9 T+ I7 }) A
5.             try
   * t( [" {6 y0 R& g! N3 \
6.             {
   7 K( Z7 u: p& h# t. D, J
7.                 string strhtml = soso.getHtml(url, "", true);
   2 Z+ m& o+ j# C* N4 M, H. R
8.                 if (strhtml != "error")
   ) f8 u9 ~; u& F% g7 }; f0 L) f
9.                 {
   2 D# f6 S+ E' o8 w
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    $ @% D' E2 Z; O
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    , L! r9 q2 y- s, j5 f
13.                     {
    5 {5 B' G6 ]6 G' X3 F* k- e5 X( ~
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    & V8 L! g* @; |+ W- B
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
      U+ ^: D. o4 i
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    8 o. m2 ?6 }0 N7 L' h) N" B* n
21.                         else
    ; z4 I1 O$ [- q4 q, T2 h
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    ! x5 S8 `4 M$ r  L$ ^1 s
24.                         }
    
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    7 r# `( T* F# v6 B8 W5 y
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    & T4 d* w  V5 ]; N) N; W$ k
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    % N( H0 [; w0 A) L2 e; P
30.                     }
    
31.                 }
    " I9 m% v5 ]. U
32.             }
    $ w& G8 W) A6 @6 i( e! u
33.             catch (Exception ex)
    ' Z8 j! S* B2 h' Z: C
34.             { }
    0 w) X3 M. N* R' r9 |0 |9 _& q
35.             return allHref;
    " X/ Q- i: J  `5 _. q5 I5 O
36.         }
    3 D$ x! x9 S  V( `5 [
37.         #endregion

复制代码

9 f/ {" q' \  L4 U( B! w
# {" s1 ]9 x* T0 W

1. 
   " X! t2 G# n" E
2. 
   ) G) q0 C) _9 k+ I  F* u1 ~
3. 
   
4. #region 数据去重
   ) b/ A' V7 m9 v, O& C+ X
5.         /// <summary>
   ( D! y! r% `7 t/ \5 `: n+ \
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    8 \" U& H5 ^. Z# E3 y; Z
12.             List<string> list1 = new List<string>();
    1 a0 e7 B; b  Q/ [4 }  |: c# q" M
13.             Hashtable hash = new Hashtable();
    " z' t, W0 }9 X& U" E- h* y' L
14.             foreach (string s in list)
    ! h( D& r9 h& h/ M
15.             {
    % p, L3 }" w  Q
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    * n# y$ C% ]- f" X, R, \
20.                 }
    
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    + u1 y. o2 v( ]& C; k( r! x
25.         }
    
26.         #endregion

复制代码

9 C/ H& B# L: N

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：
* ~4 v. T5 C% c8 s( L' A% S" g

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
   3 j4 W* c$ z' v9 m, W- v! Q+ }5 o
2.         {
   . |5 C. v1 r1 e, p# {9 Z( u
3.             string strWebData = "error";
   8 Z* Z: d' b% p; Z8 r8 I
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   % D, z1 [0 H) O1 C" E  ~! }
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);
    
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    
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)");
    
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 s, D  t" Q3 f" C( s- v) E3 B5 N* x
16.                 //如果服务器要验证用户名,密码
    9 V" Z1 K2 H8 ^# f
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    1 E/ ^) v' t, E" |: ?
18.                 //myWebClient.Credentials = mycred;
    ! }4 a/ y9 E( I" W6 J* h6 ?
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. 
    9 x, g- V  z8 w
23.                 //获取网页字符编码描述信息
    ( |0 f" n3 T  b0 }
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    ) @  c' Z1 G4 }7 T1 m( G
31.                 }
    
32.                 if (UseUTF8CharSet)
    2 N! N6 A( X' ?/ E$ \. r
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    ) w7 g: Y' H9 J) a+ @
35.                     {
    
36.                         charSet = "utf-8";
    7 q" _& `# P/ M9 u0 Q+ x) r
37.                     }
    . u1 o( @! a0 a
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    6 v( g# o: F5 ^! @/ ~2 q. m1 |
41. 
    ! O5 P$ N' G4 W, C( t: w  m
42.             }
    
43.             catch (Exception)
    
44.             {
    # G2 \. e2 [+ j1 l6 N4 G5 ^, v
45.                 strWebData = "error";
    : u0 H7 U- J; k2 L$ }2 R3 G
46.             }
      y/ \& i' t# l2 j
47. 
    1 p, d+ q8 A" J$ p& h! F4 x& c
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane