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：
; L& x4 Y) i3 ^http://a.com/b
http://a.com/bb.html
能自动去重复
$ F) k$ g5 b) ?

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   9 H# f3 }, O! d9 v( a" r
3.         {
   
4.             List<string> allHref = new List<string>();
   0 j  Z4 e+ q9 I& z: f$ z$ O
5.             try
   ! N% D) [( B3 l$ Y: K2 R( S
6.             {
   ( N* E, y% X- ]" b, L, ~1 O
7.                 string strhtml = soso.getHtml(url, "", true);
   
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)
    , W3 U" c% w% L( E; e
13.                     {
    
14.                         Uri uri = new Uri(url);
      K6 v! j, ]6 v- W* p6 ^) f
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    : J- S$ S+ h$ D  o' w: r; u+ h
20.                         }
    9 s6 E! X# O# D, G
21.                         else
    " C2 X) m" @4 b( i1 d, e
22.                         {
    ) u" R2 I2 Q3 ^
23.                             fullUrl = thisUri.ToString();
    ' g, ?: S$ G) n) h
24.                         }
    ) a0 z( O& x8 r8 R7 A. @1 }
25.                         allHref.Add(fullUrl);
    + y9 U8 r+ T% B' T7 i) \1 u
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    7 j8 U. x7 G* g3 i4 b; [7 _
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    8 f/ p( s! }2 q6 e
29.                         //Console.WriteLine("…………………………………………");
    * x' v# m& _4 S6 ]1 z4 \
30.                     }
    : `# l6 W/ V6 f
31.                 }
    # T" T2 \+ e6 G2 V
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

1. 
   
2. 
   # {, H: u5 w# c- `# ^+ @9 H
3. 
   ' X; P5 T6 c) P  I$ J# y! \
4. #region 数据去重
   4 |1 ~7 _- P: N1 w6 L* n
5.         /// <summary>
   
6.         /// List<string>去重
   9 A1 Y0 w9 a$ w! m% X; |2 R
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    : @' {0 f& j9 g& {
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    & v( D% Y! s5 c+ u' h9 c
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
      P2 t5 p% V% [) `1 O0 H$ k
17.                 {
    
18.                     hash.Add(s, s);
    1 _( Z6 W& L- Y9 s& ?  Z- s% k
19.                     list1.Add(s);
    
20.                 }
    3 _8 c+ z  j$ v& Y/ p! o: g7 L
21.             }
    ( d4 Z( s  j# ]. H) y1 [3 V
22.             hash.Clear();
    ) x9 B0 |7 K8 `
23.             hash = null;
    
24.             return list1;
    9 J) i$ N7 r" b; r% I& o
25.         }
    , o2 U5 }4 X6 c: p0 I0 W
26.         #endregion

复制代码

! X4 V# V1 N  o. _

guys

李小冲 发表于 2016-2-26 16:17

0 f6 ]2 q7 o. m6 u2 v十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
" ^/ C; [$ l1 q1 ?3 A十分感谢！！！非常感谢！！

缺少一个gethtml,用下面这个：
$ }0 x0 p- k; X5 X, d

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.         {
   ( X/ ]/ K# C0 Y1 S, E% T
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
   & y/ |( I' z" j3 v1 i/ d
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
    / R" t+ \+ n& s
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)");
    4 T/ k6 N6 N' h( ?% b
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。
    . z% I7 t" O5 V4 `8 `
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    ( w+ y3 J2 j. u; h1 w
16.                 //如果服务器要验证用户名,密码
    ( b' K% n# U  D' ~% o
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    ( c- n5 s4 K2 g& C6 t9 B" Q- H
18.                 //myWebClient.Credentials = mycred;
    % {, i5 M, A9 [1 y
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);
    % E$ r4 j9 }# j* `/ f- n
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    / @+ `, S) y9 T$ V/ ^, X5 z
22. 
    2 i: U6 |- u# u4 K) s, [/ F
23.                 //获取网页字符编码描述信息
    . h1 j$ ^8 j( p, F
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)
    3 y# H3 D4 f% o2 k1 H# w" N
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    ) E' b$ Q, `- `* J6 F* s% H
31.                 }
    
32.                 if (UseUTF8CharSet)
    * w4 h/ M, b! O. d+ W/ p
33.                 {
    5 h) i$ v7 _: [* s0 q( ]0 M8 x# q
34.                     if (charSet == null || charSet.Length == 0)
    % A& D3 w# `0 j! o0 }
35.                     {
    * m/ Y1 n9 R8 ], l8 }
36.                         charSet = "utf-8";
    
37.                     }
      U: `8 d6 c6 p
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    1 M# U$ p! u6 |5 l5 m5 w
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    5 O/ M9 u5 Q' R  A
42.             }
    : W" A2 u3 J1 s4 m: x& w; ^
43.             catch (Exception)
    , _; B. K: G9 K1 ^2 z3 C
44.             {
    ( Q8 a* O7 i/ O. G2 Z2 r
45.                 strWebData = "error";
    
46.             }
    ( x4 k9 z+ \" T' g* H& x" M
47. 
    
48.             return strWebData;
    . }$ ^& V6 k$ M8 I2 i
49.         }

复制代码

; T: Q! ?6 C1 N9 O* t/ }( r( C

PowcAncn

weishaneweishane