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：
2 Y& {/ D8 n- L# w2 H5 fhttp://a.com/b
http://a.com/bb.html
1 _9 I: h4 y$ D/ s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)
   % c4 E& w3 ~# P% U
3.         {
   2 y/ q( p! }! O2 g5 a( I
4.             List<string> allHref = new List<string>();
   
5.             try
   - l, \7 y) z- c  ~' d$ j) H
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   8 i6 M, Q3 Q' C6 C6 {3 m
8.                 if (strhtml != "error")
   # Y4 P. c5 z# N: `. ?' |- x
9.                 {
   % P  o( B7 q. E: ^6 q0 t
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    9 s" y1 c8 j2 j9 w
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    & h- K- Q/ b8 A2 X8 }0 N
13.                     {
    8 c$ g7 u6 z+ Q1 q9 e
14.                         Uri uri = new Uri(url);
    $ }! t+ o9 m: U4 V. U, q% c& e: {
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    6 L" R( D$ H% K
21.                         else
    " A) ?, a% k" r" {
22.                         {
    : k& z! K  Z' ?
23.                             fullUrl = thisUri.ToString();
    ) |  Y7 i% ?9 g& i% P
24.                         }
    
25.                         allHref.Add(fullUrl);
    4 Q$ Y; r% U/ n( S' ?& |, o8 A
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    " s* T0 i0 }& |2 R0 ~/ V1 R
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    * ]( }9 H- m: c/ x4 t& ^- ~9 B; U
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    
32.             }
    3 p/ y0 C  e8 h& \& K
33.             catch (Exception ex)
    , ~6 ?9 x' A, X7 e8 ^# D1 ]
34.             { }
    4 F/ \: W$ E) O) W; ^: a
35.             return allHref;
    2 E4 G2 k+ k' }% d- _
36.         }
    + m/ S9 O5 E% h) Q' ^8 b
37.         #endregion

复制代码

1. 
   
2. 
   
3. 
     B. G1 J4 p! A" E
4. #region 数据去重
   $ V  g) b+ Q: g! u  p/ D
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   " V* q, T( Z7 a4 d0 y2 J
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    7 k* d3 }7 r! j  m: ^$ R. l1 V
13.             Hashtable hash = new Hashtable();
    6 u- C8 z$ E% R! C
14.             foreach (string s in list)
    
15.             {
      u6 \! B5 e* G# K1 \% U/ `/ N) m
16.                 if (!hash.ContainsKey(s))
    4 r, o# d/ Q& k  B. Z
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    1 Q2 f9 R) x1 D, T' {0 R( G1 n% i
20.                 }
    , w+ t6 V3 y% R# l0 k
21.             }
    
22.             hash.Clear();
    4 H8 U3 G) |5 N7 I. ]$ ]% Y
23.             hash = null;
    
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

$ u( ^3 }# t' b1 _" N( z

guys

李小冲 发表于 2016-2-26 16:17

# O; G9 A. w" [. \& u. z十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
8 l6 i+ N* U2 `+ Q/ A1 u十分感谢！！！非常感谢！！

缺少一个gethtml,用下面这个：
7 G5 R7 M5 _9 _3 l

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
   , `$ l5 {  J* c0 y
2.         {
   
3.             string strWebData = "error";
   
4.             try
   + w( L  Y9 z+ ]
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   . D5 G' \, _$ w; P% y0 E1 g. L
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);
    ( x& \0 ?+ d# ^9 h$ N" q( T) f8 T
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    ) S2 ~; |" K5 w7 u5 r
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)");
      c4 j# r7 B# w1 }8 U8 f; Z- {+ Z
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    , f2 O" ^8 `+ e: r/ Z( N
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。
    ! D% l4 ]. ^6 I4 k
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    * n  m3 G4 l4 ?5 v
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;
    ) z) V" x- p: c& [% w
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);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    9 @7 q! q7 `/ [2 L
22. 
    2 I5 P1 m+ Z# T! z
23.                 //获取网页字符编码描述信息
    ; `: C8 S. k9 z  ?" `0 t* Z
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    7 X; H; E+ K3 P8 ]5 F* F
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    2 b: B' R; t8 x, E% S% m! j3 R
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    . Y% b7 s. ?2 Q; R: l3 {  M, }/ X
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    7 H5 [; `: z( V1 o
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    4 K8 F& X4 @( S4 Y; t
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    , U2 W' s$ i; v# N$ p
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    0 j5 x* B0 ]- `" D& Q! L3 n, ~
45.                 strWebData = "error";
    
46.             }
    
47. 
    6 z* R. A- O4 [3 t
48.             return strWebData;
    1 U+ i6 ^( c2 u' S# h4 o( F3 `
49.         }

复制代码

% `3 S# z" y+ t
1 t0 E6 z7 N/ O$ t# z

PowcAncn

weishaneweishane