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：
- N" d/ F. D  ~6 B# n- N! Z9 Ahttp://a.com/b
. C  Z3 d+ r) nhttp://a.com/bb.html
) m3 [" v; ]& C) K能自动去重复
  h* S3 M3 J# c

李小冲

1. #region 抓取全站链接
   / @7 X. x: r# I) y
2.         public static List<string> GetAllHref(string url)
   9 D4 U0 c/ X, D' J; O
3.         {
   6 U1 F3 z* w5 g2 `% R, K1 |, T# \
4.             List<string> allHref = new List<string>();
   & ^, O  }4 l5 r
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   3 T; |  u# W5 O  ?
8.                 if (strhtml != "error")
   1 k/ G# @, v. ?( B9 ]0 }; E
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    8 |! e/ R( i7 L: D0 `  D: _
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    9 x7 c4 R) X$ F9 L& a
13.                     {
    
14.                         Uri uri = new Uri(url);
    * t  r0 {3 B# R" e. u
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    + W0 P3 b% C) U5 T- g' v
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    " [$ L; J# K+ H! A8 Z
18.                         {
    / j! G7 T* x' e! d% H6 u* p# g1 \
19.                             fullUrl = m.Groups["url"].Value;
    ( Q( j9 l8 M4 s8 R6 l
20.                         }
    5 H0 K* ]- j! m  L
21.                         else
    6 G( a6 k, A4 b; q, C
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    5 z0 q4 E& ?: ~2 }
25.                         allHref.Add(fullUrl);
    + A  a$ S! y5 Z
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("…………………………………………");
    ' o- ~, t6 N1 H& R& b
30.                     }
    ' u3 f) V% B8 ?
31.                 }
    8 i* m! L9 M/ M# o
32.             }
    4 u) J9 F* l# A5 J! h( s
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    ( V8 Q9 o: E! I8 `
36.         }
    
37.         #endregion

复制代码

+ T3 ~, y. w4 v# d! a

1. 
   : [- j- y. F* }
2. 
   
3. 
   1 {, x1 i1 X6 p
4. #region 数据去重
   + E8 B" ~' l  B6 C1 O- i6 u; Y2 h
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   0 D3 E; k* _5 b+ Y) v2 t2 c
8.         /// <param name="list"></param>
   ) l* F, ?& B$ `7 |( U( X1 W0 W# C
9.         /// <returns></returns>
   $ V2 p! u. i1 _$ {) b7 C
10.         public static List<string> getUnqueList(List<string> list)
    0 ?! o1 W  m' g1 Z( g0 R2 F( }' C
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    * ?+ X, U  t4 F  t  S
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    6 H2 n+ U1 d. q
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    1 k6 {% B9 \; L* }
20.                 }
    ) X/ r/ N, l7 c8 G0 M8 A. c
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

$ _9 c3 G3 z1 K2 s0 b3 ~

guys

李小冲 发表于 2016-2-26 16:17

! u( i( |2 {( n7 I! Q0 b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！！

! I4 Y! h. M; X缺少一个gethtml,用下面这个：
: Y& J+ b5 |$ P; J# I: \9 \

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";
   + `% `- B7 p' D& L
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   $ o, N4 W; F7 C( s
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
    
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。
    4 V, C: w5 |. ~! T
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    % A$ `0 k; U% F0 l
16.                 //如果服务器要验证用户名,密码
    ' D0 [6 R1 z5 O- A2 E8 p4 {
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
18.                 //myWebClient.Credentials = mycred;
    , G2 ^' A- p+ d' Q* o; S
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）
    # S' x0 o2 E& N
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
    
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    % R& i6 K" q  E4 ?
28.                 if (charSet.Length > 0)
    
29.                 {
    * e1 {( u+ w' p$ F4 J
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    8 z/ `' U% z2 g& H' f6 n
32.                 if (UseUTF8CharSet)
    8 X9 H% A2 |9 `6 H% c
33.                 {
    6 ~7 W8 D& F5 _; W- q! |2 d( H9 I
34.                     if (charSet == null || charSet.Length == 0)
    0 u4 [( k3 i# Z* m0 q
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    ' ]  u: b: z+ W% Q' L
38.                 }
    3 N$ F1 v) l* C) [7 o' @
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    7 ]" }/ O- W2 Q. S4 R
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    2 c2 A& ?9 D9 m0 o( Q! r; v; P
45.                 strWebData = "error";
    ; Y# [7 N/ k5 e5 h
46.             }
    
47. 
    * x" |$ w' A$ t# E# }9 u/ F
48.             return strWebData;
    8 r8 V) }& z. D" q1 }' h$ H  n, o
49.         }

复制代码

" ]7 |8 a* V8 K2 H$ A( Q" v8 _
2 \* l% e4 |8 O3 c1 S

PowcAncn

weishaneweishane