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
/ F& A9 k7 j# s' u- k* f4 Q- K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)
   5 h, O, `* x, l3 e3 F# z# }
3.         {
   
4.             List<string> allHref = new List<string>();
   ; J2 }, B, [" [" G8 L
5.             try
   9 r8 k/ U8 I: @
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   , P$ I+ ]; N# T  J$ x" _
9.                 {
   2 e6 ?. v0 W; {, ~' R* Q3 c
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    ' B( e2 Y3 n! W' T- ?
12.                     foreach (Match m in mc)
    " M( }) p7 O& S) ^: m
13.                     {
    5 Y! o6 L/ G. U. S" o: W, X
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    6 k1 H+ v$ ^4 {  O" V$ k$ @0 o5 D
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    5 C: y# r( ]" W+ Q+ O3 p
18.                         {
    7 W+ }) q& T; I. |& q
19.                             fullUrl = m.Groups["url"].Value;
    2 E7 ^4 o' G9 E8 x2 u. w% D
20.                         }
    
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    0 b0 ~+ ^  ]: B8 J& E- e( Y. C( V) d
24.                         }
    
25.                         allHref.Add(fullUrl);
    ; Z0 m( m6 g/ R8 w. h3 A
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    3 M" B6 ]) C- {4 W
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    $ v4 ~. H# `% l4 i
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    
32.             }
    5 C) q4 `$ b; R. Q$ b) S9 C$ d
33.             catch (Exception ex)
    3 d8 U$ g: J5 X$ I; ?
34.             { }
    
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

1. 
   0 G/ c% d5 u, l, _  |" R
2. 
   
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   , C6 k. _  b) r0 B; A; x4 L
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    2 Z4 X" R" p, d/ g' U7 _8 v
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    ' ~' S. i, k. O! X
14.             foreach (string s in list)
    
15.             {
    ( B1 u, _% ]6 d2 X0 _  R* V
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    5 }( j( ~/ j4 X4 Z( R) u
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    # R& n- C3 s" T% J% s7 p
25.         }
    
26.         #endregion

复制代码

( Z+ l' Z9 J: j/ e. w, e, X

guys

李小冲 发表于 2016-2-26 16:17

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！！

5 x( m3 S4 `1 g4 C. S缺少一个gethtml,用下面这个：
0 L4 K. A4 z' a/ w/ b/ u: E& i

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
   / O, P9 w8 o5 ]: P; c/ s8 V8 v
2.         {
   2 _9 r  ]" ^8 ^2 E
3.             string strWebData = "error";
   5 x3 [5 v' i: i- _
4.             try
   * E7 g! w" l2 f. _, W- u
5.             {
     S2 c- J' |3 i$ C
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   , v+ I$ u* N' g  s
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
   # c9 l, q0 x* v! S# L
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);
    ; V- {0 z% l  ]! p! W! Y/ j
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    ; m0 O/ p# |% W9 B* X. Y. O
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)");
    ; i5 ~# `( c# U5 q+ ?. @% \" [
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。
    , |; B9 d$ N- y' O' |4 |+ b9 ~) l
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    8 k  Y5 x/ X: x6 |# r, {2 @6 W
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    # f5 S/ K% D* r; f2 A* K
18.                 //myWebClient.Credentials = mycred;
    
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);
    ) H! W& N  y2 r1 V0 \  _7 z
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    
23.                 //获取网页字符编码描述信息
    ( G( G4 @, t6 {" D. Z) h  |& G
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    ( d% G3 I2 j0 p0 U  S/ o- y7 ?
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    8 F0 B, x5 B. |( f0 u* ]
30.                     charSet = charSet.Replace(""", "");
    . ^6 C: h8 K: ?/ E
31.                 }
    # S, |5 Y  s/ G+ \- v! N
32.                 if (UseUTF8CharSet)
    3 A1 w# n  V& |' B8 w8 `' J! k7 u
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    6 R* H: I' K  ]: b% ~; ^8 J
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
      j3 m, U% }# M& Y( l
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    6 z. b: r0 q7 O! u1 a! [
42.             }
    
43.             catch (Exception)
    ! p& z9 Q* ~; Q4 u' t! }% B
44.             {
    
45.                 strWebData = "error";
    
46.             }
    + e) `4 Z" ?( a; C0 F; y& \
47. 
    
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane