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：
) W6 A4 K. g) Y& rhttp://a.com/b
6 _$ q" Z, V/ O6 f7 ^( Zhttp://a.com/bb.html
能自动去重复
& Y/ S: X" Z6 k) j

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   ! t# j% N7 O2 b* x7 Y8 g3 K2 k3 j. h
3.         {
   , r3 s8 y! y1 \0 ?. `% O
4.             List<string> allHref = new List<string>();
   + [/ z* H3 h; t& U. x9 ]# a7 G
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   2 H4 s7 t$ n6 `+ G; ]2 u7 Z
8.                 if (strhtml != "error")
   
9.                 {
   , x1 b3 I  B, C6 ~8 y
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    $ f! O) n8 k) _6 B
11.                     MatchCollection mc = reg.Matches(strhtml);
    / j+ R& k: d3 p9 @
12.                     foreach (Match m in mc)
    0 \2 x- P+ ~! ~- J- U4 J1 [0 [! g
13.                     {
    4 `6 x0 u3 n3 f+ `) h. u) M8 k+ C. y
14.                         Uri uri = new Uri(url);
    , I+ u2 s+ _& k6 _5 {$ M  q
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    4 s7 s1 X2 u8 W3 x
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    ! u7 h! K6 e1 Q" [/ M) k; c
21.                         else
    
22.                         {
    - T. j' w( T# \9 Q2 k& D- n/ t
23.                             fullUrl = thisUri.ToString();
    1 t9 |" w' C; K1 r0 X" s: t& V
24.                         }
    
25.                         allHref.Add(fullUrl);
    0 y6 L9 f+ v3 H
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);
    ' t% k/ B6 |# ~. p9 H
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    6 }6 Z/ K8 a' \- `
31.                 }
    ' j2 w; J0 C& o
32.             }
    
33.             catch (Exception ex)
    3 W4 Y0 M5 R. ^0 h3 M
34.             { }
    8 _7 R% ?% O6 F, b4 m% F! q/ X
35.             return allHref;
    ) z" O5 @) m! L' Q
36.         }
    ' q- o! `; e# r: ?# [- D
37.         #endregion

复制代码

& A; l$ N4 X) F* v4 A4 P4 a

1. 
   0 ~+ f3 c9 S( e
2. 
   
3. 
   
4. #region 数据去重
   ' N, h5 S# O$ s8 Y8 p8 _
5.         /// <summary>
   
6.         /// List<string>去重
   9 [; _% m* r( A$ v$ s
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    4 R7 h- B. E9 U6 X7 g( a. C
11.         {
    : d) o# E" h) ]+ l  d, }
12.             List<string> list1 = new List<string>();
    " c6 z" Z" \: _0 m; k0 _4 j% u2 G
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    5 {' O% ^( y/ V8 \
18.                     hash.Add(s, s);
    : Z# }- F) P& ^: y( R/ y9 {1 D
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    4 u' J) T/ R6 k, A
22.             hash.Clear();
    6 V. `% S4 G* `/ g/ c
23.             hash = null;
    
24.             return list1;
    
25.         }
    , s' b1 c% l( q- x- G  t* V9 {8 i
26.         #endregion

复制代码

: L/ O! y4 N! x: ^- o( z/ G  q
) S  l6 z% D) H) c! ]# Q+ ?

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！！

: {) M3 H6 A6 {3 e' a! \1 Z3 X: i缺少一个gethtml,用下面这个：
% y; A. W7 |0 @, d4 B. `/ U

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
   - A: B8 R# h0 o. p" Z% V' ]: S
2.         {
   % G; N) R6 k  q7 e
3.             string strWebData = "error";
   2 Z6 Z- a2 h$ Q) o2 P- F
4.             try
   , m3 m" Q! X  c5 s) a" O, Z
5.             {
   - L" o+ U$ M' Q" D$ r/ ?
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   2 h, V9 i- g. S: c, I* b
7.                 // 需要注意的：
   ' k$ X7 y5 ]1 D
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);
    ' W- U' d; c, N$ i5 E
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    $ \, L8 n6 p; ?8 Z; Y6 @
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。
    - l( b6 W  D' J
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    4 _# X2 p" q4 Z3 m" I( I
16.                 //如果服务器要验证用户名,密码
    5 k! [0 S9 B& X( s
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
18.                 //myWebClient.Credentials = mycred;
    ' `; {" W; q1 M, N
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);
    ) |2 |* R$ L0 d" ?2 }% \
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    
23.                 //获取网页字符编码描述信息
    * }% t. \6 i; v7 d3 K9 {* q
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;
    4 {3 M4 \% k6 M$ @* d' s
28.                 if (charSet.Length > 0)
    ) R# I/ o5 c+ u+ J9 Q0 ]& k' g
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    : P8 Q6 ~2 c9 }( H4 m4 y& {! f3 L" {
31.                 }
    
32.                 if (UseUTF8CharSet)
    ! M2 W. P0 r/ Z( m4 }2 J
33.                 {
    0 x, j* L5 l( N* n2 M8 ~' @
34.                     if (charSet == null || charSet.Length == 0)
    6 p6 E2 M' n: H. Z
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    3 m% {4 {  s& C3 u
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    5 f' s. k* l" |+ W$ x
41. 
    
42.             }
    
43.             catch (Exception)
    ) u% D, Q& B. R
44.             {
    $ U5 t8 s/ n! F: W' O
45.                 strWebData = "error";
    6 v5 h! r9 Q# C7 `4 E: _3 G  H+ a" B
46.             }
    
47. 
    % o$ @. m9 j# c& t& l1 ]: P
48.             return strWebData;
    
49.         }

复制代码

/ p, u$ R  [7 |( X; G- Q5 P/ O

PowcAncn

weishaneweishane