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
1 L" C( B3 l5 d0 A) {& E2 a, ]http://a.com/bb.html
: o0 }, N% p7 p0 V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)
   ' Y% `- M$ h( b7 C/ m+ N( m) M3 ~
3.         {
   * S* p* J/ E% a
4.             List<string> allHref = new List<string>();
   ) {2 o/ X! W8 t1 m- Y
5.             try
   . K4 o% @6 X0 {+ k- S0 u6 I- {1 j$ N
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   % ?/ X9 Q' P- `) K) f. w( K
8.                 if (strhtml != "error")
   
9.                 {
   
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)
    ) ]$ K* [( C- r2 G$ ^, Y
13.                     {
    
14.                         Uri uri = new Uri(url);
    % K+ w* c- r/ y+ t) J% V8 t
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    1 K5 `* ?) ~3 W! j0 `: m. d
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    ; A+ L( w% ]4 X8 g$ c
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    ; N- b# _3 s) D* N8 I
24.                         }
    # g, z! n$ _, R" R' s
25.                         allHref.Add(fullUrl);
    4 m: _: ?6 W; `1 v
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);
    " @& V  }6 K7 V
29.                         //Console.WriteLine("…………………………………………");
    9 ^* m2 M3 {# P
30.                     }
    
31.                 }
    
32.             }
    0 p, e8 \9 F; f, e7 m  j
33.             catch (Exception ex)
    2 b& f- |2 u2 p
34.             { }
    
35.             return allHref;
    9 @: c$ J5 x' v0 H
36.         }
    2 w" ?$ Q1 B9 I
37.         #endregion

复制代码

$ [8 O+ r& m( L- @! T: D5 I
( ]- t1 i% ?. V0 f0 o8 P

1. 
   3 K9 X4 \- A5 G; S5 [3 {- }
2. 
   $ j) a5 V3 c& u0 h5 ]  s! c
3. 
   3 U3 n  \! Z4 F$ D- U, E# A/ B
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   : t/ W5 k6 w! G$ N" C. a
8.         /// <param name="list"></param>
   & x- Y5 Q' X& X' `/ O4 I. P6 t/ b) |4 E
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    : Z% j2 J0 s6 e* F! _
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    0 ?% a  P2 r8 ]1 ^* e& {
14.             foreach (string s in list)
    9 [- {; S% V: m' j% C" F2 g8 ?! V
15.             {
    9 T4 a" f/ y+ L( U7 Q
16.                 if (!hash.ContainsKey(s))
    + c  ?1 k* Y; o, X
17.                 {
    * ^! \( z2 J$ L% |! q% l
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    & C% X" S; v- h8 {
21.             }
    - m0 h1 q/ a' U% w- `; d6 [) k6 T# U- H
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    
25.         }
    ) U9 Y( U( L' _7 o
26.         #endregion

复制代码

* Y* c6 B4 ]$ h, c" [+ F$ u& N! m
) N# S, q3 H! h$ W

guys

李小冲 发表于 2016-2-26 16:17

7 }4 j& _+ `  j+ u0 h: }: I# B9 u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：

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";
   
4.             try
   
5.             {
   
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
   
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)");
      X7 L9 ?2 h/ U+ F+ w9 B
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;
    1 s3 T# A0 @. u+ Z1 Z# X- J
16.                 //如果服务器要验证用户名,密码
    8 z. E% ^2 d  _: \6 j0 @6 a! `
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    2 n2 `/ L+ |! F
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);
      C& D) K1 @3 @6 s
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    6 |5 P9 `/ F' p; v+ A! ^
22. 
    
23.                 //获取网页字符编码描述信息
    / a) W' s+ K  V+ m/ ?+ m: Q
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    4 O$ D! E- Z! t" d4 o& D, G
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    ! K7 f& O( G$ u; i& v
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    2 K/ T1 N7 ]+ y! x) T
29.                 {
    - v8 l5 J2 T# K; Y2 T1 h% L% G
30.                     charSet = charSet.Replace(""", "");
    1 ^/ {/ h% S* {
31.                 }
    5 O* r, j  O! b5 e
32.                 if (UseUTF8CharSet)
    ! }/ w( g7 F3 U. X; D
33.                 {
    * V* Y7 `  i% {+ z3 C2 B
34.                     if (charSet == null || charSet.Length == 0)
    ; p6 Z# T5 ~- p6 r: s4 p
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    ! O9 y6 q, H4 `: i8 P' f% ~
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    & I8 Y! ~9 d) |8 y
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    $ T4 z& n5 s4 L! y3 v
43.             catch (Exception)
    8 ^( x4 D" C8 r( h! y2 L
44.             {
    ) C9 ]+ U: y  z3 W' _
45.                 strWebData = "error";
    1 e* f0 J6 R& S* E& ~! y; m
46.             }
    4 W9 E$ g& U5 t9 |
47. 
    ' x' s- u+ g9 D. E
48.             return strWebData;
    1 d/ I4 |* ~  h" n. ]5 p
49.         }

复制代码

8 n/ {9 U1 p4 |( s2 q1 |

PowcAncn

weishaneweishane