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：
& s* d* D. b$ whttp://a.com/b
$ b, z0 g* l* w# [. Jhttp://a.com/bb.html
能自动去重复

李小冲

1. #region 抓取全站链接
   , X0 U) g1 g: T- }8 O7 }
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   & Q6 w$ \7 }9 x
5.             try
   ! ~; K$ i$ i& m" H
6.             {
   7 A3 _: u+ Y& I. L
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   % W, q' L" v6 ^) H
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    ( U* X' D8 p' h. y! ~- {3 t- {1 d
12.                     foreach (Match m in mc)
    0 _! A- v6 r- ?  k8 p8 Z1 r1 T" z
13.                     {
    ( k0 G5 H- j- C6 k
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    1 E5 n+ m$ n- i, a/ B, W! v* f
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    " `0 X; E; \+ i; N  k) ]/ J
21.                         else
    
22.                         {
    $ M* H9 H+ i8 h6 l
23.                             fullUrl = thisUri.ToString();
      ^6 W5 [; V1 X2 d$ c& }
24.                         }
    
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    ) o" O7 v: I% d. I' a
29.                         //Console.WriteLine("…………………………………………");
    * r) N- I) Y4 ~8 i6 Y
30.                     }
    
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    ' b! R7 @- j- d; B9 c1 g
34.             { }
    : I$ M- R: H% F2 J8 Z
35.             return allHref;
    
36.         }
    2 |: C* k! v2 O, s, ]
37.         #endregion

复制代码

! o- a# ?+ X! c. q& f4 t
) d3 }8 W+ D: _2 Y

1. 
   $ M0 Z7 O0 f% [; d
2. 
   / l! [: a- D. T: D" j
3. 
   " {7 O9 z- i9 n9 h
4. #region 数据去重
   % B  q& h' L! w" c
5.         /// <summary>
   " I, B8 I9 i/ G. B( E$ v3 H" K
6.         /// List<string>去重
   
7.         /// </summary>
   ; u. i% Y  d4 U1 [
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    1 Z) ?6 e% L- t
12.             List<string> list1 = new List<string>();
    & ]# O2 i$ b7 F0 p
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    7 P7 G6 T- K4 O: R2 _8 @7 f
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    + I* t# |7 s' O) l7 j
19.                     list1.Add(s);
    % F8 Y: b3 I/ E6 `% B. I" E6 M) z
20.                 }
    ! W. E) E5 _6 R" L# A: P! z9 J% N
21.             }
    
22.             hash.Clear();
    3 }5 ]; y. K. G. H
23.             hash = null;
    ; w8 r  T0 l2 u/ m& ]
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

0 B2 x% y6 ?& |! Y
% B5 I( r* |" s

guys

李小冲 发表于 2016-2-26 16:17

* {0 g! D( h! f( ^0 ^4 f十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
1 `8 l) d. `0 ?: E; c+ Q3 \) K2 V* G十分感谢！！！非常感谢！！

2 W% f7 s, R4 H5 ~: T. G3 M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.         {
   
3.             string strWebData = "error";
   
4.             try
   
5.             {
   $ J6 p  V' C5 [7 l( L* |8 L& o1 W3 [
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
   
10.                 // webclient.Headers.Add("Cookie", cookie);
    2 H  b3 [  i* X. t( O3 B
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    5 c6 A" Q2 [, c: E+ m
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)");
    # I0 L2 U$ d. h% a: w7 b
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。
    . {  B/ f" B( w1 [8 n& n
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    % O0 h" p! D7 M( f" }- ]
16.                 //如果服务器要验证用户名,密码
    # c4 G" q( e0 q: K& L, @( k/ t* E
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
18.                 //myWebClient.Credentials = mycred;
    ) F( L, L# X9 Y$ Q& ?: V" P
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）
    ( S/ y7 v% F) T: u* D
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
      d# A' u4 ~) l# P$ g
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    " p/ ]% U3 i. c- C4 s: s
22. 
    , Z1 k3 Q# J* K3 m* B! G7 ?: J
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;
    - v: {* f2 u% [7 q3 z
26.                 if (charSet == null || charSet == "")
    + z+ [& z. Z1 C- [2 O3 s) h# S1 d
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    ' B0 y: c% I6 g% U2 Y% ?$ v# @
29.                 {
    3 F( F# e3 M- W" o9 Q( A
30.                     charSet = charSet.Replace(""", "");
    : |5 P- g$ m* m) e8 L$ s7 Q
31.                 }
    ( L" f3 v$ R2 k* ]% i
32.                 if (UseUTF8CharSet)
    / n, @9 _1 t1 N
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    ' I& t% ^8 a# p+ I' i/ u0 e; L
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    ( x: K, Y: {; Z
38.                 }
    9 O. h" ]( n, E6 g4 y
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    # H- J' C) m8 z* \$ y3 t6 f; Y
41. 
    $ k! @: |, j% \. `# a
42.             }
    2 Z3 `; q1 B4 W
43.             catch (Exception)
    5 p8 ^# n. y# m, l9 [
44.             {
    
45.                 strWebData = "error";
    + r5 \0 G  B& F- V* Y6 V
46.             }
    
47. 
    
48.             return strWebData;
    * c( D- j' o( z
49.         }

复制代码

/ B) o  G2 a0 A

PowcAncn

weishaneweishane