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：
http://a.com/b
( N1 i) S  ^% F& Bhttp://a.com/bb.html
/ m7 [% p+ p! E- S4 D能自动去重复

李小冲

1. #region 抓取全站链接
   6 \7 `: p- b1 Z% m$ I
2.         public static List<string> GetAllHref(string url)
   1 \8 p! f! y+ [
3.         {
   
4.             List<string> allHref = new List<string>();
   " B# x* X, g7 s  [
5.             try
   1 T0 g  N3 R5 b+ B: M. b8 X
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   " O/ Q- Z7 z0 n
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    5 O1 ?7 n' j# W$ T) w- L
12.                     foreach (Match m in mc)
    , F5 E/ f2 y* \' E. U8 @
13.                     {
    
14.                         Uri uri = new Uri(url);
    % {$ U( S' _* e, t( k  a& R
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    0 e( [+ y1 D. X- ]6 \, W; `% L
18.                         {
    ; A7 ~$ o2 R* q& p3 o
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    * O* f# V8 l( ?1 |1 Q9 b
21.                         else
    
22.                         {
      o5 e* x  U  L) Y0 Q
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    ' e( E" Y# ^: n9 y, @' {( k3 U/ n
25.                         allHref.Add(fullUrl);
    + z* W1 L% J# B: f% h" z
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    / ~8 r6 s( l3 `, S
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    . U+ |. i$ p, m6 s8 z
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    % K% q6 O, A3 C: I$ ?, f
30.                     }
    
31.                 }
    + ?# V  p9 @8 y  `8 g/ K3 i5 x
32.             }
    6 ~+ d$ M" z3 Z8 G+ _* V
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    6 T8 d5 r. z! i; z: f
36.         }
    , G4 }' D$ I8 [+ v9 U4 o5 n
37.         #endregion

复制代码

& ?/ b0 m- z, C8 ~) a

1. 
   / |" A; ~9 q4 W8 p# Z
2. 
   
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   ' V: v! b( R7 i6 ?9 v: Y/ P0 w
6.         /// List<string>去重
   $ F9 d0 z9 \) y9 j8 _; K' ^/ G
7.         /// </summary>
   
8.         /// <param name="list"></param>
   # K- G3 S* i% [- j
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    ; T3 E. O- e5 I' r& j1 U8 t/ s
11.         {
    
12.             List<string> list1 = new List<string>();
      P8 _5 ]) G# P1 X# P
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    ; ^7 i# z) H8 h( [3 O5 b6 _* I3 j
16.                 if (!hash.ContainsKey(s))
    # f5 R, V% ^/ W- g- ]; R) d8 U
17.                 {
    1 q( }, x2 N1 z1 m( u4 p. n
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    ! t5 i+ M! k# ^" ]
21.             }
    . S, b0 r) s  B7 J8 J
22.             hash.Clear();
    $ x. n- c0 J* p. j- G
23.             hash = null;
    + J0 f' l% W4 u) l' l
24.             return list1;
    & T6 Y' R7 b2 ]
25.         }
    . D/ E' _1 W/ x  P3 {5 H
26.         #endregion

复制代码

6 K. y" n2 V6 W1 w6 g: ~8 _. c
, `' X1 {3 b& I6 v

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
: u! S, Z0 B2 x十分感谢！！！非常感谢！！

缺少一个gethtml,用下面这个：
  I, u0 m0 m# o0 }  r6 y3 c5 p

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
   7 e# [" B; t% M! X- ~
2.         {
   ; S+ _& h6 F4 K) U
3.             string strWebData = "error";
   
4.             try
   
5.             {
   $ L: W3 X" z  q( c. B: M2 w
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   5 t+ M6 g* _7 `
7.                 // 需要注意的：
   ( {+ \3 K  p, I0 l
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
   0 M1 _% t6 S. ^% W) I
10.                 // webclient.Headers.Add("Cookie", cookie);
    0 o; c" g  i" p) [1 c$ S6 F8 _
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    . o# S( A/ @9 |
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)");
    / H+ t/ G; ~& f2 W& b2 @
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。
    / U4 ^9 b9 u2 J. @6 q# r+ E
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    2 J) M) @) y5 K/ R: v6 m
16.                 //如果服务器要验证用户名,密码
    1 [6 _' Q& H3 {' z# W
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
18.                 //myWebClient.Credentials = mycred;
    . X% C. R* k* D1 v+ A
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);
    ( z- n5 E7 Q, p0 e+ M# @* r
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    + C( B! Y8 m7 I( b4 @5 V6 V
23.                 //获取网页字符编码描述信息
    
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    ! I, Y: v% f) \- S1 e2 P' e5 B
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    ; C8 k; p5 }" e! q
27.                     charSet = webCharSet;
    * s9 U6 v. `) j2 ^
28.                 if (charSet.Length > 0)
    
29.                 {
    7 l9 e$ |. N' H# G( r
30.                     charSet = charSet.Replace(""", "");
    4 @* ~0 [  S' w3 h
31.                 }
    ! I% @! m; M# O8 r! F1 m
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    $ p% P2 P) B0 [* [7 w
36.                         charSet = "utf-8";
    7 T4 h% v; u+ _1 _+ ~4 }. U% d
37.                     }
    & \/ n0 y: L9 ^6 A  K: Y  T
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    6 W/ z1 }# r5 B( I  f
41. 
    
42.             }
    % `& A/ E& A6 s- p& e! g
43.             catch (Exception)
    + L: h6 l" e9 z; U1 d# x
44.             {
    : ^" j  E1 Q3 H5 l( u3 S! H6 u
45.                 strWebData = "error";
    
46.             }
    
47. 
    , V: X6 j4 o: s3 N' d+ ?
48.             return strWebData;
    4 ]3 L: E3 F" G
49.         }

复制代码

- c' P0 b4 z# A3 M

PowcAncn

weishaneweishane