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：
" t# d2 K5 x3 qhttp://a.com/b
http://a.com/bb.html
能自动去重复
) T: r/ L8 z+ L( Q6 X

李小冲

1. #region 抓取全站链接
   , g, Q9 N. P, t
2.         public static List<string> GetAllHref(string url)
   
3.         {
   " z; \: Z  ^- W* q
4.             List<string> allHref = new List<string>();
   $ f' b( V( Z  A4 R
5.             try
   - }/ y( p" u+ }* E
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   . }1 Y0 o) A/ H1 V' e: R
8.                 if (strhtml != "error")
   / t; _/ x& F9 W
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. h( F/ \+ p5 G8 K1 h* G
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    : D- m3 ~2 |/ n9 [: r  d
16.                         string fullUrl = "";
    / P* o0 E8 L( g
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    
22.                         {
    ) o) y4 q' Q6 s. R% y3 K4 K% o
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    * {5 }  q# ?$ ]( O
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    , Z4 G8 p2 b. c5 P
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    8 c+ k. {4 F" l$ _2 ?+ b( _  S
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    / }* a+ m' h$ L9 Z. Y0 V$ C
29.                         //Console.WriteLine("…………………………………………");
    9 R* z2 E* D% |, z7 @& K4 L7 y9 D! R
30.                     }
    " u  K2 R! N2 I$ R7 K  c% k
31.                 }
    
32.             }
    2 K& {: p! o: @" B- h: K( r
33.             catch (Exception ex)
    
34.             { }
    . _6 Z1 x- j# \! m5 O$ `
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

- K/ y) a" Q* [

1. 
   ) R" O' O. u5 g
2. 
   
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   ) u$ p4 }8 P* E
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   ! l  N8 c# p% `, d4 H
10.         public static List<string> getUnqueList(List<string> list)
    7 K1 ?8 I% X& D* ]9 h3 F) O$ f
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    5 E- \# T. W% C" ^3 p# @( x; L
14.             foreach (string s in list)
    
15.             {
    % ~2 l* {# G3 Q3 h. J) T
16.                 if (!hash.ContainsKey(s))
    8 a+ E% F0 O9 l" j
17.                 {
    
18.                     hash.Add(s, s);
    : m, C% M8 e7 n: ?5 Q5 o
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    ; K2 T& I; N% i6 y7 e$ w
22.             hash.Clear();
    
23.             hash = null;
    . x! j  V9 X1 Y) K
24.             return list1;
    0 d% C% ~6 j7 O% X
25.         }
    
26.         #endregion

复制代码

0 y+ f5 O/ M& y& L; n+ y

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
( c2 G+ O+ A2 A1 \0 w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.         {
   9 x6 \  {" c7 C9 R4 D+ j: @
3.             string strWebData = "error";
   - y' F6 `1 M; R. p2 S9 J
4.             try
   $ z& y8 j* k$ F
5.             {
   ; V% g+ E1 h7 ?; m- C! L: X
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   ! c: X9 ~  ]( |
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
   : m* D- p1 |. Q# y3 ~& p4 P
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)");
    . H: p: `2 c; d- e2 p
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。
    $ q* k' _8 q$ k/ A
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
16.                 //如果服务器要验证用户名,密码
    / F0 F: \; R' O* x/ V4 b* s: L
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
18.                 //myWebClient.Credentials = mycred;
    ; t4 Y/ M. Q. I& c) U2 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);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    
23.                 //获取网页字符编码描述信息
    / a  u' ~7 p& P, l6 ^3 _) \
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    7 K( u; Q5 T6 x0 o
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    . Q: N, g- S1 w
26.                 if (charSet == null || charSet == "")
    # S) f- G# j9 Y  T' V% p4 l
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    5 L/ g$ O" h+ M& t. [
30.                     charSet = charSet.Replace(""", "");
    - `% `/ X6 w4 a: c# k2 R
31.                 }
    - q2 {% s: ^8 m* d% v8 d
32.                 if (UseUTF8CharSet)
    
33.                 {
    0 F: e/ N, t( ]) _) m
34.                     if (charSet == null || charSet.Length == 0)
    , ^# y6 I5 u' P/ G- H! M: o. U
35.                     {
    * N; O' l5 b9 O6 L% j
36.                         charSet = "utf-8";
    # h# Y9 U. `4 ?, h, _% \
37.                     }
    1 L) y; S7 x% T% d( W( [8 X
38.                 }
    ! j. ]; r+ ^3 g! S
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    6 O1 G8 j) V0 D4 A- J' V
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    ; _$ h! x. `4 H& z0 G& E2 L7 o& d
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    " @3 Q+ A/ R, q: }$ x0 y) \1 g$ Y
45.                 strWebData = "error";
    " f% R1 ~5 c2 ]) U- J4 }5 L
46.             }
    3 N% y7 V+ g" M7 k8 J, c
47. 
    
48.             return strWebData;
    
49.         }

复制代码

0 }( L. W9 y% G8 q

PowcAncn

weishaneweishane