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：
- p' p$ ?  i$ ?  i) G% O. S: O, @5 ]http://a.com/b
; E$ z: P% F* h& ^# M, Z$ ?# X6 thttp://a.com/bb.html
: H/ {8 O- D, }% L0 a1 J* r; e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)
   ) e, ~9 S& U' l: c8 H# U
3.         {
   / M' a% K6 m* L! _
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
     I/ _' \, P4 W4 I: j3 d' B
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   3 a+ l' d' q, z2 c
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    1 n. O( z4 _* s$ {0 n+ L! b
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    
13.                     {
    # v( g) f) @( O8 N9 w+ Q) l# D* B
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    # F) \; p7 b0 \% R- O
16.                         string fullUrl = "";
    ; P9 }% E0 x3 v5 S3 h1 g
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    ; n  q$ @4 T' ]  V2 r
18.                         {
    7 y7 _" ]1 G; V( S0 U
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    & L6 y0 \/ l& l* B/ k* I& X3 X  [; r2 ~
22.                         {
    ! ~. e- U7 o8 i' x' f
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    9 N' g8 j4 V6 D: x- f% @; `( E0 E
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    6 I# O1 I$ Q& K1 L
30.                     }
    * v. a4 e" R8 _1 y" q% @1 Z
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    0 J4 u4 \$ z% j4 {. i/ N6 P
35.             return allHref;
    / D. B$ Q) b# _& B
36.         }
    
37.         #endregion

复制代码

0 Z& L; D; C7 n) b5 t

1. 
   
2. 
   
3. 
   , }" Y1 y  ?1 R2 Y" n8 h
4. #region 数据去重
   - @- h, j. X! s
5.         /// <summary>
   
6.         /// List<string>去重
   / z8 `' F, j7 q
7.         /// </summary>
   ' R* o5 D# A) e& i* N: k
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   8 }4 A5 O& i# i& ?- [4 ~% o
10.         public static List<string> getUnqueList(List<string> list)
    5 ^# B, `, A) N9 [
11.         {
    5 @6 n/ P( Q: ?% x2 f6 h
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    2 M4 ]. e( U  x/ B- {  E6 N
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    
22.             hash.Clear();
    ) }4 V6 l$ u" {4 B
23.             hash = null;
    % o0 `  p! _7 c
24.             return list1;
    # D9 L( i5 F9 p! k4 E- D
25.         }
    1 S# G( c+ l! e1 Y/ f
26.         #endregion

复制代码

3 K; `9 G  ?0 q0 {: ^5 O& v4 |

guys

李小冲 发表于 2016-2-26 16:17

+ z+ X/ N* J6 V2 D" p" E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：
9 M2 P5 u* u; i* {9 f+ G

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.         {
   * w( T( s/ ]5 E, j0 Z
3.             string strWebData = "error";
   # s5 [1 q6 u% O  C
4.             try
   , I: p9 U0 I: l- H, S
5.             {
   
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);
    
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    ) U: G" V% e: F$ 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)");
    , [0 _, p7 F) B3 e' |5 E1 e
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;
    4 X2 b2 H( P8 Z0 k2 p5 H: p
16.                 //如果服务器要验证用户名,密码
    3 |! J3 }6 P# F
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）
    ( Z- T- P% q3 {6 M# [5 |
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    # z3 b- l& p$ `  C% U
22. 
    $ T% K8 @# ]' f. k/ _
23.                 //获取网页字符编码描述信息
    * B  s8 A2 E! s" D
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
      b9 Y  B) i, n: y
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    7 d  o/ @; p4 ]6 B% T/ ~
31.                 }
    
32.                 if (UseUTF8CharSet)
    ( ^! s. [, G8 j+ o) [1 e
33.                 {
      [( e, K) w2 x1 ?. ?6 s6 c2 j
34.                     if (charSet == null || charSet.Length == 0)
    + l5 r! b! j9 P$ d; Z
35.                     {
    
36.                         charSet = "utf-8";
    - A' Q" g& `$ X( c
37.                     }
    - t; ?0 |; |. Y  G, k2 `; u
38.                 }
    3 @8 v5 e; B/ e7 L. z9 p
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    % a+ M" i7 F% Z. _; [7 Q: S
41. 
    
42.             }
    2 U/ {  o$ E( j' {
43.             catch (Exception)
    0 @  h; Z' B* C  i
44.             {
    
45.                 strWebData = "error";
    
46.             }
    
47. 
    
48.             return strWebData;
    
49.         }

复制代码

( ^& e+ @& S2 T. k, `1 C$ ^

PowcAncn

weishaneweishane