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
' v" F% z1 \8 M! {, G比如：
http://a.com/b
http://a.com/bb.html
能自动去重复

李小冲

1. #region 抓取全站链接
   , w4 @( v+ g% i1 E+ a( r) K
2.         public static List<string> GetAllHref(string url)
   / C2 n/ n& G) r) [( I+ K9 E! a
3.         {
   
4.             List<string> allHref = new List<string>();
   ! @4 t, p0 ?; r. b6 k! H* m
5.             try
   
6.             {
   ) K- i( g- j+ j) [
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    . D. m! k3 q6 S3 x5 q% b
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    % @" @: O  c0 q& o. c# O; W; A
13.                     {
    
14.                         Uri uri = new Uri(url);
    . B- \4 Z. a3 e$ U( C& ?
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    5 |6 r& J+ K! B0 O' O
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    * W" k5 w- T0 o$ V* p' M! e
19.                             fullUrl = m.Groups["url"].Value;
    . u1 ?5 n1 \3 L0 ?' M
20.                         }
    
21.                         else
    ( p1 J- D# G2 {  `
22.                         {
    ! M/ T- c: i6 `3 @
23.                             fullUrl = thisUri.ToString();
    + _2 u1 ?) _& F% O" h. o6 ^
24.                         }
    
25.                         allHref.Add(fullUrl);
    3 z' q5 @7 J$ \+ h# `
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    ; k4 }5 H4 j5 Y, x7 c! p1 B
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    ; z' _. a# X- o
29.                         //Console.WriteLine("…………………………………………");
    + S+ \" v4 G/ v1 K% W) g$ b6 u
30.                     }
    ; r' i! O: X) b
31.                 }
    " `' ^4 B: x$ p
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    1 S# s4 g8 W) \
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

: `( U* J9 y5 J0 m, D5 k! a  e

1. 
   
2. 
   " `; _9 z2 A7 z/ O# y7 ?
3. 
   - K" _/ m9 s; s  N. u
4. #region 数据去重
   6 J! `3 k$ ~# H" x
5.         /// <summary>
   ! X* `/ a3 |  ~; q" \2 y
6.         /// List<string>去重
   
7.         /// </summary>
   3 |( ^% Y2 u9 }% P# j) b
8.         /// <param name="list"></param>
   ' U$ y5 w5 r% t( e
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    ) q" S( E% O  l. s8 K8 d/ B
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    6 K- R7 @& z* M$ X' S4 k/ `
14.             foreach (string s in list)
    0 O5 A' |; V5 Y. I" P1 E4 B! E
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    : i$ m9 p: n6 L. i! i1 V
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    . J7 s" l2 Z+ _: z, G% F7 j
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    # E5 z0 n- T, L% j9 {$ S. ?: l
24.             return list1;
      x/ A+ [8 h& i$ N# R
25.         }
    / l* F* m# n. ^+ ~# i# I- B
26.         #endregion

复制代码

. G% H& `  B: A: p" l

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
2 S4 G. f# H& a; @) h4 G- ^十分感谢！！！非常感谢！！

/ y! l& `3 O! ^( [0 B1 u+ `4 m) `; v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 I1 C) B& ]' t0 J* q
2.         {
   ( g. a0 F! N- [; g
3.             string strWebData = "error";
   5 O9 f) i+ d) E; Q/ Y
4.             try
   
5.             {
   ; @+ L" m7 k2 s/ p: e& w
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
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
   4 J" \# l7 c) M/ Z5 J* C8 ~0 v
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)");
    3 Y' X  h5 L* p7 ]: U7 `
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    4 [- q, p0 p* g  W: 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。
    / W4 U- f8 O8 N: y9 {1 e
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    / p( R2 @4 S/ _* K5 ~; [) A
16.                 //如果服务器要验证用户名,密码
    * o  }) j! ^6 Q. O  G. p; G+ ]
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    ! @) B$ |/ k* }+ x3 c
18.                 //myWebClient.Credentials = mycred;
    * t! T. ^& c5 n3 E9 U, G
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- @" e, A/ B3 e" Z) a/ Z
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
      E1 D" ~- F1 `* V$ y4 ^" }
22. 
    9 T5 }5 t4 [1 @* E& G+ C: Y
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;
      a! u) A. V' z; v/ p& Y! u
28.                 if (charSet.Length > 0)
    
29.                 {
    . E, E0 l0 p6 y% e
30.                     charSet = charSet.Replace(""", "");
    + i( `5 N& L& P4 g; I* Q& u
31.                 }
    $ n5 |% f+ l7 }: |
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    ( O, Y. x% n1 q6 t
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    & r. ?% U, y2 e9 O" t' D
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    # m! H& h( Y$ y. @1 z+ K# C: F7 l
42.             }
    
43.             catch (Exception)
    " w7 Y7 f0 p/ x: \* ?% J, I
44.             {
    0 s+ D: d. p0 b4 ^. r
45.                 strWebData = "error";
    
46.             }
    
47. 
    
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane