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
http://a.com/bb.html
能自动去重复

李小冲

1. #region 抓取全站链接
   9 s  \+ n& D& T$ I6 ?$ X- Z
2.         public static List<string> GetAllHref(string url)
   + _: e% H9 V! p4 |: u
3.         {
   
4.             List<string> allHref = new List<string>();
   . n" s) p  q: S* S- t: k
5.             try
   
6.             {
   + L% {- U2 x) U+ a1 P* P! d' R
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
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)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    8 ~3 P8 z: r% m/ U
16.                         string fullUrl = "";
    - H) Q3 {2 \# w" W  `
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    - H" K' I' U. ^0 d
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    * T* N; Q* E8 M
20.                         }
    ' y; l; d% k  f$ {' V! v
21.                         else
    ( s1 p9 ]( a) Q% C. V
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    % i$ T) B( Z% c' g. \" A) A
25.                         allHref.Add(fullUrl);
    9 a' L# X% w, y/ Y- i
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);
    " W3 M' }0 j2 @4 R+ }' A
29.                         //Console.WriteLine("…………………………………………");
      z" x  R* ?3 @3 W: @. D5 j' K/ D
30.                     }
    ) j6 m0 @3 t& b; c" q
31.                 }
    
32.             }
    1 u9 P1 J1 }# e5 `
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

4 c4 U& s. P7 b0 n) b( S
. [4 ?+ B( Q3 @" |2 d4 d

1. 
   
2. 
   
3. 
   
4. #region 数据去重
   3 Q. b3 O9 @: t# L  d
5.         /// <summary>
   . D0 T. L- k5 k- e4 I, E
6.         /// List<string>去重
   7 R; v2 w7 p. Q
7.         /// </summary>
   $ ]) l! C7 |' ?! o2 r
8.         /// <param name="list"></param>
   ( t) \  _2 ~) V4 }1 x/ p! }0 A6 s
9.         /// <returns></returns>
   . V! j: v& p3 P. K+ c- e4 O% {
10.         public static List<string> getUnqueList(List<string> list)
    1 }. s! K/ T/ ?4 g, f( L
11.         {
    
12.             List<string> list1 = new List<string>();
    2 F" {0 X+ n4 n* H; N
13.             Hashtable hash = new Hashtable();
    ; N5 j; D: V; w+ q+ B! F
14.             foreach (string s in list)
    0 V7 q% g, B0 |, n! P
15.             {
    
16.                 if (!hash.ContainsKey(s))
      t# u8 {) s+ Z/ C7 K* e* J7 F
17.                 {
    
18.                     hash.Add(s, s);
    . @  k8 q: y/ ^  Z1 k) l
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    
22.             hash.Clear();
    1 r! u$ h$ g* x9 m' U% U8 M9 A
23.             hash = null;
    
24.             return list1;
    ! B, W7 |2 u5 O3 [6 y8 ?
25.         }
    7 j8 C: g* {# F( Y( \$ S# R: P) B3 G
26.         #endregion

复制代码

! D) H* N; I3 G  L: A/ 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
1 w. R* w3 H" W  d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";
   5 R% Q' w+ |" U0 f
4.             try
   4 K+ e6 D# U. i5 o  `) N, i
5.             {
   5 u" f$ B" [* \, S
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   4 U- X5 F% N& M" l4 x" u. M0 i
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
   ' O% Z9 I5 k- R: C3 j
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   1 m- \6 ~0 _, H
10.                 // webclient.Headers.Add("Cookie", cookie);
    1 m/ c- F- A3 }& [! I$ M
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)");
    
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。
    : V8 K% a) K* D3 W' T& u
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
18.                 //myWebClient.Credentials = mycred;
    7 o, J, s  i# ^- F
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）
    2 I  y* O/ R$ g) d5 v* w
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    " f2 O% g* x3 Q
22. 
    * z: T) _' v  [- I" w
23.                 //获取网页字符编码描述信息
    9 I' b9 `8 h, ]( T8 p) `/ H4 a
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    6 V' r$ B# I$ X; Y4 G
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    % m& J; x. v2 `# P
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    ; _! M3 |. N0 {0 S# C8 ]
31.                 }
    + D" f+ h! ]2 {3 i1 y9 M! V% I/ u3 l
32.                 if (UseUTF8CharSet)
    * U4 Z* p, o% l' `6 `
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    % g: O; V& w9 I  X/ J$ {
36.                         charSet = "utf-8";
    $ h$ J2 I2 S. }% |7 P" B- e, @
37.                     }
    , C" r0 }0 {+ [; r6 J
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    6 X) k0 r  _6 i1 S' X) p9 a: E
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    2 o6 ^% ^  Q4 p; A
43.             catch (Exception)
    ; |, _  _$ _/ O, _" Q
44.             {
    * M  F4 {) D4 W6 r& C
45.                 strWebData = "error";
    
46.             }
    
47. 
    1 v6 s2 [) j- w7 q8 H& a
48.             return strWebData;
    ( o2 V% q( k2 ^/ h! }+ Q
49.         }

复制代码

5 ]9 w. \+ @9 M0 E  \3 s7 y" S
, I1 k# P" o8 S3 m# U

PowcAncn

weishaneweishane