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
8 b/ _% X8 g. \1 ahttp://a.com/bb.html
能自动去重复

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   6 U* o5 _: T$ R6 I
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   2 L- g5 S2 P+ l
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   + I4 b$ N' L* V3 H3 @+ x. d
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    9 B( y# a3 C# @% R: G
11.                     MatchCollection mc = reg.Matches(strhtml);
    " X- c" Z; z( j( a, G
12.                     foreach (Match m in mc)
    
13.                     {
    & {* {4 f3 J# n6 `6 K
14.                         Uri uri = new Uri(url);
    : O- \4 u) w* E
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    # L% V% r" h  a2 `6 \
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    - u% F5 @2 ?- r6 S
18.                         {
    ! B; g' l2 E  K' N' Z3 s
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    - h0 j( U* X) L9 q# X6 C8 p
21.                         else
    0 r7 s/ [  `% \1 J( h
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    $ s" \: B; |4 Q1 l* e, f# w
24.                         }
    ! D! y5 u8 `2 d' ?
25.                         allHref.Add(fullUrl);
    0 ~9 G* x" f) [- h2 J! l
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    ( \: c/ ]3 g4 W
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    $ g4 {" V+ T8 }
31.                 }
    * Q# r) C* a# c: m% O
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

' z7 B5 k. N* P3 `6 X
. A) S! n- ]; @% ~( R0 T& |

1. 
   , n; K, c( o: v2 \. e
2. 
   
3. 
   4 m: \7 c3 P4 ]
4. #region 数据去重
   
5.         /// <summary>
   . d; K, {2 X( h* }+ {% f
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   & Z7 _5 [. q9 a7 u7 _/ }
9.         /// <returns></returns>
   , n3 V' m+ w4 ^; q4 G8 d
10.         public static List<string> getUnqueList(List<string> list)
    6 W- s2 K) d) m+ l7 Z
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    3 N* Q8 U3 r8 |; F" \( E' M9 k
14.             foreach (string s in list)
    % ?$ T0 Z; L5 [% \
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    5 k9 R! a8 r. l# r: w+ D, f/ w5 R( ^
18.                     hash.Add(s, s);
    ) J; M8 C' R, {+ v3 t
19.                     list1.Add(s);
    
20.                 }
    * |+ G9 y. K( E% K8 \
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    6 c/ b5 m: h) Z. V$ I
24.             return list1;
    + W$ a0 {* o2 v1 Y  O8 q
25.         }
      Q0 b: q5 H# t: ~
26.         #endregion

复制代码

* C9 g- U* Y9 u* z8 V2 ?

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
  x. X# U  ^' }5 v$ a# d' o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.         {
   
3.             string strWebData = "error";
   0 y5 e3 Z/ G9 A. ^
4.             try
   
5.             {
   + g. G$ }% o- T+ M" F9 f
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   5 k3 U  Z' j! b4 G9 j' r
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
   ) t6 D3 K, v# t) Z$ u
10.                 // webclient.Headers.Add("Cookie", cookie);
      D! v; n& y7 R) t; n! n6 O
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    8 v* F( b& Z, e$ }+ n, T, _- b& ]
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)");
    4 T: I2 |6 H6 c5 \6 ~2 D+ [
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。
    ' `( m" d2 O( |" j
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    . J, K+ t2 W9 |5 G0 k
16.                 //如果服务器要验证用户名,密码
    + Q9 V  f- O+ u4 L$ \! _2 g8 R1 A
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    % X7 r9 A4 l* q; }- F
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）
    5 c/ z. W" M* j3 d
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    ) j, H' H0 _: J$ g0 x
23.                 //获取网页字符编码描述信息
    ' D5 v  H; R# }- z/ `& R. U
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    & R- a6 M7 x8 d  P: m3 k( d1 H  @
26.                 if (charSet == null || charSet == "")
    ( c& V4 r9 w. f/ s1 s* |
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    - R% V7 P* }5 i7 k7 ]
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    & [' u, z" m( Q, }
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    / L0 P5 Y5 y$ R3 d8 q' Q$ [
34.                     if (charSet == null || charSet.Length == 0)
    8 Z* ?. _$ f5 W
35.                     {
    
36.                         charSet = "utf-8";
    1 J. X+ C" C/ F5 G$ K( R
37.                     }
    . x8 p& Q  P- Y* G9 J# p; b" I
38.                 }
    9 U" {1 Z/ t7 u* r/ ?* i
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    % S. Q! J, X- g4 x9 q; T: E
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    % n! h& _+ ?. `( o* v0 d) \+ a
45.                 strWebData = "error";
    # P* @+ ~  Q$ W- P+ l
46.             }
    
47. 
    
48.             return strWebData;
    $ Q* V6 C. R( M/ n% Z2 W
49.         }

复制代码

PowcAncn

weishaneweishane