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：
0 r$ A* p& [# x! f, mhttp://a.com/b
& }" Z, Z+ C& Thttp://a.com/bb.html
; M6 j% Y! h1 f% w4 R. h能自动去重复
( N- J( C  }2 c) z3 r

李小冲

1. #region 抓取全站链接
   0 G' B( N# w5 U2 e% X5 f+ P
2.         public static List<string> GetAllHref(string url)
   7 D% o+ w7 H: d/ _. p3 n, w
3.         {
   ! V( b5 v% T' i0 O" n. @
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   " \, ^' `" {( h( E! W
7.                 string strhtml = soso.getHtml(url, "", true);
   4 X0 e3 \9 P* g; s  B. H/ x, F
8.                 if (strhtml != "error")
   + ?, a+ \6 ?6 H4 W
9.                 {
   6 [: z- m' B. R7 D4 P
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.                     {
    
14.                         Uri uri = new Uri(url);
    ( y" P: l  W( D
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    + h3 t0 [6 K" V) n% A8 `
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    . {. R& \2 Z# j  b6 Q$ D
20.                         }
    9 V" n+ ?$ L8 I' H
21.                         else
    ( d! C# M' E' w! h
22.                         {
      T+ g, c2 u  U; r0 ]7 c+ `
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);
    # w3 m0 h9 @1 l# k6 ^
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    4 T# ]8 F% i$ \: O
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    3 u9 k! A4 T" _) U  P: \) X
32.             }
    ; k9 j0 [" f9 g9 [! f, A
33.             catch (Exception ex)
    4 A- N# y% t8 I
34.             { }
    
35.             return allHref;
    
36.         }
    ( Y& G8 X! Q# Y/ O, h( l
37.         #endregion

复制代码

7 _  }& S/ f7 i3 D  P) \5 l

1. 
   
2. 
   
3. 
   
4. #region 数据去重
   $ g6 i4 T; X* ?( c6 H
5.         /// <summary>
   & g: S* S3 ~8 q8 P( r3 k( D
6.         /// List<string>去重
   ' V6 K" i  Y# @2 s
7.         /// </summary>
     X7 B: D0 l2 n, ^4 R0 O- w  v
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   2 U0 E% Z( s) R+ S. N3 x
10.         public static List<string> getUnqueList(List<string> list)
    ! |2 j: w) r- K' _7 y
11.         {
    ) L5 T# ?# i+ }! [3 D2 W
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    8 |3 u$ X  H& ^3 \& H; s8 U1 H
14.             foreach (string s in list)
    + e" K2 C: Z4 |  k1 Z( ]' j
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    , S' ^1 @2 b" T- [2 t7 u5 {( V3 s
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    0 R6 U* w  c4 e8 A* w$ E4 a0 G; M7 |0 [
20.                 }
    $ w1 L1 D( I. L( R5 ^
21.             }
    3 Q1 D' Q9 e( k" t
22.             hash.Clear();
    - n0 F+ t) B, I; J3 T+ I/ D
23.             hash = null;
    6 P' }/ ]! R# n$ e8 N$ D4 T3 z4 v
24.             return list1;
    7 J3 C4 {% m1 l
25.         }
    0 ?+ j0 r( @; u  L$ |: B
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

# R$ O( q- d- s. K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！！

& p( u9 }- n% K8 y2 O) D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
   # L) U# |( U% W+ B2 Z
2.         {
   ' p' w7 q3 H: S
3.             string strWebData = "error";
   % }8 S* }  N+ ~" p1 J6 T, z, s
4.             try
   ! L; H" E2 |" X  u- n
5.             {
   , r1 O2 u2 i/ I
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
   1 r, N4 K* y6 {6 f
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);
    . X( H: U- X  T- ~& v$ }
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    " K' X& j& ^3 E8 K8 g8 c7 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)");
    
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 q! w% A* v. K/ n
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
16.                 //如果服务器要验证用户名,密码
    0 Y9 ]' x8 y0 |* U6 }* {6 ~
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    # o% o0 k5 ^* a# [1 Y6 a
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);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    , _/ Z7 P0 h. {; ~
23.                 //获取网页字符编码描述信息
    : m; O" H1 i3 u% b& i
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)
      R2 X! K4 p! Y" e
29.                 {
    & ~9 F7 s+ X; }# j( C- I
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    4 |8 l  \# H$ N& s- A
32.                 if (UseUTF8CharSet)
    2 G3 C- d& F" b  S) P, B+ u
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    9 |. ]9 _; _- I: z
36.                         charSet = "utf-8";
    4 x# U. R! Z% i3 I. `+ D  ^# `8 Y: x9 `
37.                     }
    
38.                 }
    , T. o1 d5 m# D  ]; {% l
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    8 u7 y# G- @: S* m
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    $ ?2 }; g- [3 H+ s( \' p8 I- V
41. 
    
42.             }
    4 ?& {8 X+ ]8 R4 B# b$ a, Z
43.             catch (Exception)
    6 F4 r  J4 N, y! w* G9 f5 A& O
44.             {
    
45.                 strWebData = "error";
    
46.             }
    ) t, t7 }* n4 ?) @
47. 
    
48.             return strWebData;
    - t, t: V. ^4 H& t( {) }) s
49.         }

复制代码

, \: t/ x- g" G% H5 f

PowcAncn

weishaneweishane