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：
2 n; V2 \( h! M! Ahttp://a.com/b
http://a.com/bb.html
) c% q3 B6 i0 k& W" X- l" Y能自动去重复

李小冲

1. #region 抓取全站链接
   # W9 _4 a% \& q0 L5 q& ^  Y
2.         public static List<string> GetAllHref(string url)
   " N. `: k) f* P2 P7 h/ B
3.         {
   0 ?/ i# a, E( O. V( M
4.             List<string> allHref = new List<string>();
   
5.             try
   # O6 W5 y1 w9 O  Y+ O
6.             {
     c2 Z$ [7 D2 g- J6 I2 O8 B
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   & s* H+ j0 A, W; [- Q) z
9.                 {
   ; W0 N/ w1 M& b. y0 i
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    ' C6 K  Q: U/ S  V
11.                     MatchCollection mc = reg.Matches(strhtml);
    + Z8 Y" S* [( ^
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    . l0 [9 S4 H, I: x
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    & y' d5 i. P1 Z# s, c  _- r( p
16.                         string fullUrl = "";
    7 j; ]7 C7 h( b
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    1 ?! c, d1 U  \  W; D# U7 N
20.                         }
    
21.                         else
    
22.                         {
    6 }8 C5 {+ ~5 q& }
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    " X, Z& R" n0 W. e
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    2 a9 S  X' l, E! s" |/ u
32.             }
    2 i4 ~8 d  R2 K/ y% i
33.             catch (Exception ex)
    
34.             { }
    6 @& r( U/ E* w9 `4 z
35.             return allHref;
      W  L+ \) }0 B9 @8 v
36.         }
    
37.         #endregion

复制代码

1. 
   % e4 n5 T: @! i% R$ `; e
2. 
   + g) o+ M, Q2 j3 E* ]3 \4 h7 H9 M/ j
3. 
   & q5 F* B. {- z  L/ ^
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   9 Y2 d* [3 x, ]$ _
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    . o" r' H3 F. j. ?, t
12.             List<string> list1 = new List<string>();
    / `. i9 n2 E7 r: m
13.             Hashtable hash = new Hashtable();
    ! ^! K5 m7 L% D* {% G) i6 ]
14.             foreach (string s in list)
    , L" x0 ]8 B1 Q
15.             {
    ) N5 ^- _: V; x" I! x; P$ ^
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    7 T& K- p2 i9 ~* ?' R  s
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    - Q9 h8 }# @/ w- E
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

) Z+ I- v* L& k& J

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
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.         {
   ' ]# X# n. A4 H: ]
3.             string strWebData = "error";
   
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   ! i% O3 H3 F8 E7 z
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
   6 j! w, S; d. H3 V0 N
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)");
    6 D* C. L9 _& _" G! i7 w
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。
    3 [$ _9 i4 O# @2 }* A; I  K$ s, |  A
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    1 O( ^- p  S$ _" S, P5 k  A
16.                 //如果服务器要验证用户名,密码
    / N0 Z% Y" G) p& u- q7 O7 b% t
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）
    ! C1 Q; }! s7 n0 z- _6 x, |
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    & O% g3 {. g; Y" O0 z2 Z0 j! B
22. 
    # T. `9 ?& U7 t7 I( m5 u' U
23.                 //获取网页字符编码描述信息
      g  Q, @# K# d( a
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    ) t8 \: q+ W& L7 v( }, G  ~6 s
26.                 if (charSet == null || charSet == "")
    : W; L) G+ E' C2 r- Y7 R
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    7 {* u# K' J3 f0 d" i0 P
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    8 c% C& F# U; u0 {$ x
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    % z0 f- C* ^# F4 T  R0 V. g
35.                     {
    , f# Y- `/ r+ e- V. R( X3 L; g
36.                         charSet = "utf-8";
    4 d' Z. Q+ i. H) C5 {! L/ E* r2 A
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    : G8 g! V5 n6 Z7 N1 w( E# ?
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    ) q2 R1 v8 c  Z; J  B9 J; R% m  P' n
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    + O$ d  E. m1 _  `- c( k
45.                 strWebData = "error";
    ( ^) D9 {9 I2 `: N  W. [
46.             }
    * [' E! {6 ]& [- a: c
47. 
    / w/ r9 Q) X2 o3 A$ ]
48.             return strWebData;
    
49.         }

复制代码

" W8 \$ F7 @* m" N1 j' A7 T

PowcAncn

weishaneweishane