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
http://a.com/bb.html
能自动去重复

李小冲

1. #region 抓取全站链接
   ' K' P2 U2 s4 ~) {8 l. O% g+ ]
2.         public static List<string> GetAllHref(string url)
   
3.         {
   # l& y! s5 ^: G/ q& q0 C  K
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   ; ~9 r9 f: K% H8 |# O1 C
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   8 a& o# _( Y$ S3 g) J, g# x
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    . W- g# v* R+ Q) ?) n. v! |6 q
12.                     foreach (Match m in mc)
    ) N! ^, N! `! n( K* t0 a9 R6 u7 K8 t
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    2 y7 k6 q4 j6 @) s3 J
18.                         {
    ) i% m' U2 }/ y! T& C. `" ^" ?
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    1 y+ s. M. Z& u3 D: j1 f
25.                         allHref.Add(fullUrl);
    & p% P2 h8 @# S* G1 |
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    & @% z7 {- @& U3 n
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    ) I8 D9 _: ^! L3 z4 o; N' v- I
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    . j+ R8 ]1 S/ d( i, o+ l/ r7 r
36.         }
    
37.         #endregion

复制代码

1. 
   3 P4 \+ f0 M' i& R
2. 
   ; l2 k1 c& k2 Z
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   & d$ W9 y$ e: C: X
6.         /// List<string>去重
   
7.         /// </summary>
   $ O" ]4 |. M( s, V. f, l8 D4 }
8.         /// <param name="list"></param>
   / T' c3 H, q7 g$ R4 W: _
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    6 }( M: a7 Z% w
11.         {
    7 K( ^$ L$ Y0 ?: m) |' o' d& _5 h5 F
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    $ ~& t, _( [0 a4 o6 @; S1 ~
16.                 if (!hash.ContainsKey(s))
    & V: G% W2 P4 R1 q
17.                 {
    6 c/ B, d# N& v% i# Y
18.                     hash.Add(s, s);
    9 j. x  U: N0 @
19.                     list1.Add(s);
    % F0 Z% [# S, \3 @
20.                 }
    , V& Q) M) m- F- s8 P
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    & M8 y1 |3 F% S- {4 I# e4 G- V
25.         }
    6 ^( N% o7 v, P3 e$ e. W
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

  r7 u" J1 H+ ]" N5 D$ ^十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
7 u- r" ~2 Y! T3 y9 J4 C& B: J: G4 R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
   - q. z8 B0 D& x
2.         {
   4 ~3 T  k3 Y: S9 g. H
3.             string strWebData = "error";
   
4.             try
   4 j! Y' z  J& ?$ t9 v9 c0 o
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   9 p8 ~6 \+ Q( d  w+ n- u2 q" J
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
    ) H% ~* g' H# z: t1 e% l+ l" m
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)");
    * S* X. _: M  q( h3 u4 d
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;
    
16.                 //如果服务器要验证用户名,密码
    $ c$ e& |+ S  _9 n' z* E% R0 @) Q
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    + B# n" b6 ^5 @6 M; n3 k# N& Y
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）
    ( j& q2 _1 v0 ^9 C$ l2 }
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    ' O$ M% ~- h/ k5 g" B9 {
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    ( H' \6 W+ O: f2 @5 b3 I
22. 
    1 [* t7 y- }7 g0 N( {& h- ?1 c
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);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    2 X0 c" R" [5 e1 |. j' a
29.                 {
    . F4 y: x+ d7 O$ V
30.                     charSet = charSet.Replace(""", "");
    6 M( d( T( P7 Y0 F2 o% @  q
31.                 }
    
32.                 if (UseUTF8CharSet)
    : @) Y9 ?# }, ]8 M  {
33.                 {
    ( `: `% j# L3 C1 V& E, ?* Y
34.                     if (charSet == null || charSet.Length == 0)
    . _0 I2 B+ I* W* j+ U4 E) v
35.                     {
    6 [- t0 D9 Z+ H! D4 I4 v% B
36.                         charSet = "utf-8";
    - H5 F4 v0 _* G9 \$ e
37.                     }
    
38.                 }
    5 g5 Y7 o* j% \, W5 K: E
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    ( D- g* c5 Q8 U2 ?' X4 Z' }
43.             catch (Exception)
    ' {. X+ }' k3 M* N
44.             {
    + A. f5 y, z. r! P; {
45.                 strWebData = "error";
    / |* B; d5 i$ K2 l5 K& {
46.             }
    
47. 
    / p9 W1 Q/ g% E$ K3 }
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane