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
2 T- t# L/ A! w. D' P: D5 z, q* ~$ J$ Lhttp://a.com/bb.html
$ D  w. n3 ?. V0 W能自动去重复

李小冲

1. #region 抓取全站链接
   8 V" w: q" V- `" B' S
2.         public static List<string> GetAllHref(string url)
   ( z3 }, C3 L" I* W% I
3.         {
   " t  O4 N& i/ P. G  ~; ^
4.             List<string> allHref = new List<string>();
   5 _3 W5 X! s: ?& V
5.             try
   : B, A9 J2 v8 Y' M2 c7 J5 L
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   / ~- |! `+ F7 A8 a  V% F/ D
9.                 {
   ) X7 G4 y$ |1 s) I
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)
    & P/ {7 g9 e1 ^$ T
13.                     {
    ) i" @1 S' ]! d+ n
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    0 W" G/ ?8 O8 |# P
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    $ S* h( K; g. Y' b: f- }
18.                         {
    / w: J) W: X- U; `2 B
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    8 ?5 f9 o9 l+ k9 l7 ]: c4 ?
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    & R, f7 c: D$ t- k# ?
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("…………………………………………");
    
30.                     }
    
31.                 }
    9 C4 p4 a& I6 l! O
32.             }
    + h% \3 |3 b0 J! J
33.             catch (Exception ex)
    5 V' c- ~% r3 D$ z" V' q1 H  j% P
34.             { }
    . W* D4 G- a0 r6 m
35.             return allHref;
    , f- v, f2 D$ E% z
36.         }
    % ^5 c: [' Y/ m; f5 e- }
37.         #endregion

复制代码

  ]5 M( @. x: a  ~  j9 m' Z' _

1. 
   
2. 
   
3. 
   . O* @$ E$ J, n2 _0 Z1 T6 x
4. #region 数据去重
   6 v, u7 X+ m7 y5 ?+ @9 {
5.         /// <summary>
   
6.         /// List<string>去重
   ! y. T' r" ^6 Z6 W
7.         /// </summary>
   ' y4 p- i. ?0 M
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   + C, y% v% C( f! J$ |, a
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    . x/ `6 ~2 r( Z7 Y# U' o( \7 X
15.             {
    ; y# U4 S9 V% X$ {3 X
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    2 D9 G( c" m1 d8 [" [
19.                     list1.Add(s);
    / S8 h' F5 W, d- r# P
20.                 }
    
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    6 W' T/ U6 \5 p" M9 o. n
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

9 ?3 e# _- g7 Q4 _  ]

guys

李小冲 发表于 2016-2-26 16:17

. h/ ^4 m5 f/ H/ i; s4 g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！！

2 h. ]- J. _8 n; 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
   / [; t- f) R* h
2.         {
   3 Q2 Q3 d8 O# r2 b5 H
3.             string strWebData = "error";
   $ Q; N: S) g3 k( }+ w3 I0 |; l- `; M
4.             try
   
5.             {
   2 y2 y4 ?! y& U/ L
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   3 G& H0 a- f: @- ^( |0 V
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
   " S- X1 u! a% W* k9 ^! B
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   0 f3 P' n' h9 ^) V
10.                 // webclient.Headers.Add("Cookie", cookie);
    2 F, I& m. [  ~/ D7 Y3 t. b% ~1 N
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)");
    3 H8 o7 \+ e9 _1 ]8 Z
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    ! G. @  I! O3 l* o
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);
    / l/ i' \, C& `2 ]- l
18.                 //myWebClient.Credentials = mycred;
    / V* P9 C1 @  `3 T7 T
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）
    ) H" f, Y: X( ]5 }0 ^1 l
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    
23.                 //获取网页字符编码描述信息
    0 @7 z! u; ~7 ]3 p
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    2 s, J3 z6 l. {$ a7 a
26.                 if (charSet == null || charSet == "")
    8 x7 g! G7 z) o0 S
27.                     charSet = webCharSet;
    ) Q+ y# @9 g' N4 E$ t& T2 G
28.                 if (charSet.Length > 0)
    
29.                 {
    $ s4 k$ ~9 G! }. l, p8 R3 C! a
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    7 I+ ]5 a4 M$ j. ]* l
32.                 if (UseUTF8CharSet)
    
33.                 {
    ! S2 Q7 m$ v1 h' O, X8 t
34.                     if (charSet == null || charSet.Length == 0)
    % R) \& ?: ?( I: u
35.                     {
    " @. T) n0 w& A5 s3 Z
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    ! u. ^% t' V0 t8 l; G3 v' N# k7 Z
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    3 R: @* l) L5 O
42.             }
    % v* _4 q4 o" e' p
43.             catch (Exception)
    6 V+ ]0 T# `/ x" m6 |! s7 f+ Q
44.             {
    
45.                 strWebData = "error";
    
46.             }
    ) i% `" E- s5 Y8 ^2 [3 @
47. 
    
48.             return strWebData;
    % C2 e' i8 S$ K0 W5 L: v. o& p
49.         }

复制代码

PowcAncn

weishaneweishane