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
! B9 v. l. D; b" V" D5 m# N% M能自动去重复

李小冲

1. #region 抓取全站链接
   7 h" q; z- w' I3 }
2.         public static List<string> GetAllHref(string url)
   ' G$ e9 U1 g1 r9 [& N( Z$ r: x6 J) h
3.         {
   
4.             List<string> allHref = new List<string>();
   % K9 h3 G" s1 P  L8 V7 x, j5 M; y
5.             try
   4 I/ w; A6 R; `) y* Y2 d
6.             {
   & W, [1 P( U  h' A
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   6 ?0 j7 r/ H) w  U+ w3 @2 k
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);
    
16.                         string fullUrl = "";
    5 N7 Z$ C! o1 N/ q2 V: ~4 B, m/ R
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    9 w3 U- b' [. w" a
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    0 q% e3 o, i. b! D: y! }
24.                         }
    
25.                         allHref.Add(fullUrl);
    8 R7 |2 G) @, u# N
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);
    
29.                         //Console.WriteLine("…………………………………………");
    6 j* [2 a3 J  ~+ i/ R8 Q+ x
30.                     }
    
31.                 }
    * O9 Z4 H( k6 ?; V  O8 Q2 B( ?+ ]) J2 Q
32.             }
    . x5 W+ `8 S) W8 O0 S
33.             catch (Exception ex)
    4 Y, u, b6 q8 [  ^/ ~3 P$ ~
34.             { }
    
35.             return allHref;
    / ^& q( M- I# r; ~9 R) h1 v6 y
36.         }
    
37.         #endregion

复制代码

( G. w: ]7 S- x2 h7 i
( a9 a/ Z/ [; x- A/ q! K

1. 
   % S6 M' }/ H/ q2 y$ l& y7 \
2. 
   
3. 
   % E# m8 x9 T+ H, {
4. #region 数据去重
   6 \$ E! d4 ]6 \
5.         /// <summary>
   
6.         /// List<string>去重
   8 T2 ~' F- D+ x, Z2 y1 m/ s& F
7.         /// </summary>
   0 L0 v% D; ~# X9 w5 U0 o2 C
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   * v4 x6 ~6 {# j6 ~
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    ; P4 W8 W- E4 S2 C; R1 U: ?  _
13.             Hashtable hash = new Hashtable();
    " r) \: {/ X# f3 `" d* q
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    9 R0 v; g6 D* H2 d! f: T# L
17.                 {
    
18.                     hash.Add(s, s);
    ! E) D2 r* H) [( q' I
19.                     list1.Add(s);
    : L' p8 o5 N7 a
20.                 }
    ! o/ p$ G1 B5 U
21.             }
    , `" K5 A9 U' Q5 b, u4 M
22.             hash.Clear();
    
23.             hash = null;
    ! J4 o3 {0 M7 ^! V  M9 K( `
24.             return list1;
    
25.         }
    ) B' b2 x3 Z9 V
26.         #endregion

复制代码

. ^/ J7 o3 j' w9 M. W$ t
1 W, u5 `. w9 x. ^

guys

李小冲 发表于 2016-2-26 16:17

2 Q+ h5 }) A. F( Z+ t5 ^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！！

9 C3 t3 _+ y# }# E( b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.         {
   . A! r' Z2 K6 H2 o2 D( U: p
3.             string strWebData = "error";
   - G, b& \7 p# q5 s- ^; D# F  f
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   % G+ l- c; V. A+ T, B$ X
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 \. ~3 P$ J/ p5 b$ ?5 n. j
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   3 V$ `+ b# [0 U. P* ^  I: u9 ^" S; \* ?
10.                 // webclient.Headers.Add("Cookie", cookie);
    % |4 D% K6 f. @, T) |. q
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    & Z- [( W' h! U4 _( N
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)");
    . }( \1 ]+ |* R# ~3 s
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    1 E' H6 m! z7 w- L- R- z; x
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;
    
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;
    2 o$ h0 X' J6 v7 L9 e
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）
    
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    7 T# P2 _" _( f" |9 C: k
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    ( N# d( {% z$ l
22. 
    
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);
    & H, c7 s; T: x" V% l+ j6 Y  _
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    4 B8 y" {0 _) `' b" Q7 Q1 k/ Q
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    5 Y9 y; [3 E$ ~6 _+ l
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    3 f$ y% R" A/ Z* \
33.                 {
    - v( Y- G& \7 y' U1 ^
34.                     if (charSet == null || charSet.Length == 0)
    1 D6 y' Y5 D$ l: ^( ?7 U" p+ f1 K
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    ( j: _: r3 T4 w% R2 r+ |
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    4 h; [( z! D5 A# y
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    ( @6 }; \- Y0 Z& n4 I
46.             }
    4 n6 X0 l6 V' z5 A  x9 L7 d
47. 
    " ~) L/ G$ ~: _9 [8 o
48.             return strWebData;
    
49.         }

复制代码

, K# m" q9 Y5 {# [8 w9 c

PowcAncn

weishaneweishane