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
! G( F" ~2 w& R( v" I( mhttp://a.com/bb.html
能自动去重复

李小冲

1. #region 抓取全站链接
   7 _+ Y/ T! y0 C9 c: w
2.         public static List<string> GetAllHref(string url)
   1 z1 \0 ^+ u8 x$ w
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   / v7 ~! l! m2 W1 p
8.                 if (strhtml != "error")
   & e$ p. {$ _/ U" u& [0 `
9.                 {
   2 W# A) W% E8 k7 t3 e
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.                     {
    & n# O: M! T$ a; ~% P% o' S
14.                         Uri uri = new Uri(url);
    9 d6 }. y+ c. ?$ S
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    # c3 a2 s( k' C& R1 |  h
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    3 ^$ b4 A/ c" e) v9 n) [3 \
19.                             fullUrl = m.Groups["url"].Value;
    8 I8 ~8 T4 {4 L$ j+ D' R
20.                         }
    / a2 P; [- o, ~; Y0 {; P
21.                         else
    
22.                         {
    " U% }' V. m0 |7 ~
23.                             fullUrl = thisUri.ToString();
    7 I. ]& K$ p- r. |; M
24.                         }
    
25.                         allHref.Add(fullUrl);
    " ~* d# i. h# }) v0 L& ~& ~
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    3 W( `6 V+ b* ?4 E/ u
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    8 c; F9 t5 j, M
30.                     }
    " U2 X, M0 f1 {$ R
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    6 Z6 _; u& k4 b
34.             { }
    % R0 Y, x1 \* M! K- p
35.             return allHref;
    / n+ H6 o8 T; d! A- i8 `% B0 f6 Y
36.         }
    1 A5 J& O6 I: _& Y% |
37.         #endregion

复制代码

& q* \! f; z0 g( n

1. 
   
2. 
   " H* [  t4 [" {8 l: c/ K
3. 
   & @+ x" Q% |- W, z' g8 t
4. #region 数据去重
   # p7 k  ^# a  f* P8 q+ `
5.         /// <summary>
   
6.         /// List<string>去重
   , N. X/ L" Z  B7 O, P) _! ]' z
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    0 b0 n- n& c$ c& r% j
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    & D3 J  O4 y( ~. b
14.             foreach (string s in list)
    
15.             {
    % Y' q' j+ O2 }  `4 m8 M- e) b
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    8 K1 j- x' p3 e  u  D
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    2 F0 a8 @" M) E" ~
20.                 }
    
21.             }
    6 D! j2 q9 b" f; m) A
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    ) N8 m# Y4 c! x4 R. i
25.         }
    + B, p& ], Q) z2 e& I
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

  ]. n2 V  G8 k0 S; P' ~5 S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！！

0 g% S3 l  o- R) ^. ~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
   6 k9 f4 e) ]* ~( f% P0 M
2.         {
   
3.             string strWebData = "error";
   ! `+ a2 f; T/ x9 l0 N. C4 ?
4.             try
   
5.             {
   * G9 D) X, m& G- `  A% b0 V
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
   . R% s& K5 `1 O8 g% o
10.                 // webclient.Headers.Add("Cookie", cookie);
    ; B& |9 I9 R% [4 t
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    / _; C$ u0 A# M: Q! x
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)");
    7 j# n( d+ L( i. t- f
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;
    
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
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);
    * O; G9 w  K3 O  U2 @- T
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    
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);
    $ W( }) l% B+ p: w  W% Z9 b
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    & @4 x' V/ O& P" L- B+ v
27.                     charSet = webCharSet;
    2 Y7 W) F& V. D( @8 Z
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    1 C: a" s* u; F1 ^% T5 A
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    / h; Z; E- c0 n4 [5 Z9 L) t4 {
35.                     {
    & s& y9 E0 T- Q: r
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    ! d: d* D1 t; N* t
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    1 Y5 _. M3 k2 G7 [
42.             }
    ' [2 m, v5 H( \( n& h$ V1 F
43.             catch (Exception)
      E8 p9 Q6 B( C
44.             {
    
45.                 strWebData = "error";
    ' N9 h) d* C6 X3 e* F5 e+ C( M
46.             }
    
47. 
    
48.             return strWebData;
    , H) x( C1 ^+ h. q, m  R
49.         }

复制代码

PowcAncn

weishaneweishane