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：
4 ~4 W7 V# y. M* m% x8 ]http://a.com/b
http://a.com/bb.html
能自动去重复

李小冲

1. #region 抓取全站链接
   6 n- _. u6 \. n. p
2.         public static List<string> GetAllHref(string url)
   ! g* z! I+ x( M. r; x- n
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   4 h: x  l$ o% r- E. ~% P! ], L2 G
7.                 string strhtml = soso.getHtml(url, "", true);
   & S' h# {  T; i7 Y: ]' E, ~
8.                 if (strhtml != "error")
   
9.                 {
   / r) T8 `# g$ @% r
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    % W& F" C, ~9 A$ L
12.                     foreach (Match m in mc)
    1 D' d" o$ W. {6 X6 U! I% v
13.                     {
    
14.                         Uri uri = new Uri(url);
    * j+ i/ Q% M- B) r' S  u
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    ) F6 T; f9 O8 g) H  U
19.                             fullUrl = m.Groups["url"].Value;
    9 U: j: G% X( L, Z* r
20.                         }
    & _, Z: }, f& N/ S
21.                         else
    ' Z$ r* Y" h2 i& d' e+ {1 L
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    * r. n6 C  e8 I
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    ( [- K* G: w6 }2 v6 Q! H
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    8 {" l0 b' [% L0 V
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    1 R5 O% f) y2 i: h' ?% T0 X
30.                     }
    
31.                 }
    & L) B+ B# H+ r+ M0 B
32.             }
    
33.             catch (Exception ex)
    4 z6 L: q+ o3 N# Z1 W
34.             { }
    
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

1. 
   
2. 
   
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   $ D, T1 |  H. Z  {! ~: s, R* O
9.         /// <returns></returns>
   . `- j2 o8 {! ?. q- W) c( B
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    % |+ y4 w$ Z( _' j3 M1 c9 w
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    & e) N  a5 D% G  ^8 j$ Q, [
14.             foreach (string s in list)
    - K) Q! }- G8 ~3 d
15.             {
    
16.                 if (!hash.ContainsKey(s))
    * K0 b8 Y. T1 S0 H8 ~8 C& ^
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    9 Y! ?$ l* ^1 q2 M/ @
22.             hash.Clear();
    
23.             hash = null;
    + x6 \3 B( m3 {7 L% e" H4 }: }
24.             return list1;
    " Z- F2 j. h" ?3 s
25.         }
    
26.         #endregion

复制代码

6 u2 o: S& ^' Y0 Q/ H
* Q! {. ~2 E6 J- M/ h: ]- p

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：
, ~( y+ Q1 L6 t6 b6 I- W& B1 c

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
   4 g8 F( G1 ]" y* z' i* h
2.         {
   
3.             string strWebData = "error";
   
4.             try
   7 G) N  X5 B6 m6 r6 Z; n
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   8 e) ~# _" Z! H7 [0 X% O1 q) t
7.                 // 需要注意的：
   ! B4 C' S' M4 p) K: t& p: \
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);
    6 l% g5 h( K% |3 G! M$ W7 m
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    1 q% N" I; N; z
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)");
    & Y0 _2 p' J4 N$ y  L
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;
    % D8 S, _( O; i# n* q) l
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    ) ~5 g& f& ~* s7 n: j
18.                 //myWebClient.Credentials = mycred;
    3 ]: j) j5 W! m0 J  Q7 O1 D
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）
    % w7 g2 z7 h. l+ l6 h
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    : s0 F& N8 {* \3 k. H9 r7 ^
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);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    6 r, c# ?1 T; K  t4 C; Q
26.                 if (charSet == null || charSet == "")
    # T! M1 c6 U! j0 E
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    7 q1 Z% [5 W) P
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
      |' ]1 j0 P7 k! ]. b+ `
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    ( q. o& K6 Q& n, k$ [, _* I" h
42.             }
    
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    
46.             }
    
47. 
    
48.             return strWebData;
    
49.         }

复制代码

" `1 ]9 \+ x: C! \5 \! V
5 f2 G2 @+ T4 I8 P8 T! R

PowcAncn

weishaneweishane