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
& w5 U. g7 n: b比如：
+ ]+ R  p/ R7 j, e+ b, h5 @+ vhttp://a.com/b
' k" f( Y. i% Uhttp://a.com/bb.html
0 R$ |( n7 [) x: I5 q能自动去重复

李小冲

1. #region 抓取全站链接
   & T7 H* v/ y8 ?+ F! y
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   7 P9 d" ^+ n: m2 M' x
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)
    / ]/ ^% ?* Y5 A) v
13.                     {
    1 e0 C- \/ L) _( m5 V; I. K
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    4 P; `+ O" I! U5 v7 p2 I/ r# p
16.                         string fullUrl = "";
    8 Z- _1 a4 d- `. r
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    8 R+ J# O" d" k2 f3 g  W
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    + U$ t( N& n' w' W0 Z! D+ ?
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    8 K2 [, b+ z$ O! }( E
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);
    , Q4 `$ L; M* z6 O) M: L
29.                         //Console.WriteLine("…………………………………………");
    ! b( F) a. n$ u$ }2 g3 A8 V1 h' m
30.                     }
    
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    ! F4 K7 |, m* W# k
34.             { }
    " u9 ]7 A  R) j/ \9 V
35.             return allHref;
    / a! `: f& ?" @8 Q) I
36.         }
    
37.         #endregion

复制代码

1. 
   1 E+ r7 j; ]7 _
2. 
   6 W1 j4 r. V3 {0 R
3. 
   
4. #region 数据去重
   
5.         /// <summary>
     `& e& c+ L; b0 b4 _
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    ) d& [" Z, N5 B  A7 W  v& M
11.         {
    2 X' G; P% v1 @0 W  ~! [- Y  i
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    7 d# L  p1 i# r& K
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    4 S. y& e# P3 w/ d# g
18.                     hash.Add(s, s);
    % L" z& h# {4 Q1 h9 N2 v$ ^$ j
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    
22.             hash.Clear();
    4 q0 q" a1 e6 a4 j3 n
23.             hash = null;
    
24.             return list1;
    % {- ~0 o) s+ v
25.         }
    
26.         #endregion

复制代码

* `' J. E" |0 {4 G1 ^: P

guys

李小冲 发表于 2016-2-26 16:17

( Q; K: g% E6 `" G* Z9 \+ r4 Y  U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：

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
   . [' ?9 ?+ m& T; u8 o/ B' @/ q
2.         {
   
3.             string strWebData = "error";
   : y, D/ N1 z& y  n* c% \8 c
4.             try
   
5.             {
   " _- k2 x" \1 s  T; d
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   ( A) z/ i# M  \/ G
7.                 // 需要注意的：
   , Q. v: S6 K" W' A! \& k$ k
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
   3 k0 i) W" C& Y8 l. T
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   $ e4 v9 \, e8 s3 _( K3 m: g
10.                 // webclient.Headers.Add("Cookie", cookie);
    % R0 i5 S  r- Q$ o% d
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    1 u$ `) a# ~' }2 w
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)");
    ) q! M9 N3 w5 Y- h! X8 J
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;
    
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;
    5 ^( E, T8 d3 M/ Q' q# j4 D
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);
    
22. 
    
23.                 //获取网页字符编码描述信息
    , I% N- d& Q  ~  P5 T  ^) u! `
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    1 V. `9 p: F( v& C. ^" s9 o
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    1 `+ g+ U- y& c& F
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    2 m% H. z2 ?$ B1 Q* n1 L6 X
28.                 if (charSet.Length > 0)
    , W! O# ^: T0 X% X
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    " c# ~; g+ F5 n
31.                 }
    & D# K0 r0 L" w! U4 M, v$ t1 X! f  j
32.                 if (UseUTF8CharSet)
    / v+ i+ n( R1 Y1 X- Z$ f, r
33.                 {
    ! p6 |; M# ]# p3 e. z6 J$ i
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    2 h& H+ Z  z  e1 N
36.                         charSet = "utf-8";
    9 o  t' i* i+ u; V  s: u6 g3 ^8 a
37.                     }
    
38.                 }
    ! L/ l1 H  |+ k  y
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    . e# C+ \' s6 E# y8 B) R
43.             catch (Exception)
    
44.             {
    * o( c: W" x3 w; d# t
45.                 strWebData = "error";
    0 ~5 l( R8 d: t
46.             }
    
47. 
    
48.             return strWebData;
    ; I4 L% I1 ^% @/ D6 ?
49.         }

复制代码

, n4 `9 x$ S" M* x. w. z3 G

PowcAncn

weishaneweishane