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：
' N8 w% e" C0 A, t1 e5 |http://a.com/b
1 O3 D) d. \, m) A: }2 Qhttp://a.com/bb.html
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)
   
3.         {
   4 w! x' B6 A3 N
4.             List<string> allHref = new List<string>();
   8 X7 q9 B% S+ T4 u3 F; A. j
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   " g, j5 t1 d3 C; D* f9 W1 t3 `) O
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    8 U8 ~- `( B7 S$ D$ _& C
12.                     foreach (Match m in mc)
    " \3 m9 b& ^" ?9 j% T+ j8 a
13.                     {
    & @+ F: R6 r1 |: f5 ^. {) C+ P8 l! g9 ^
14.                         Uri uri = new Uri(url);
    ( e' t3 R$ c' m' M8 A( k' \
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    $ n$ g; V6 m" p# l9 ^
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    + }, G1 u# S- L* e
20.                         }
    ' z$ q* l6 V, c' I
21.                         else
    # g+ H0 l+ w5 k; V! s" b( ^9 q
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    % B' a" {3 E4 ]! h! ]- I, ~
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    5 Y$ Q: Y2 L* i/ a: j9 y
30.                     }
    
31.                 }
    9 ~. w5 j3 X9 h( r1 R( m" O  }
32.             }
      V  F4 L# [& _" S+ N( b
33.             catch (Exception ex)
    4 Q" _& N9 y- |9 @3 F! s
34.             { }
    0 r( \$ c# t/ X7 D* M
35.             return allHref;
      D! Z: z5 E1 ]0 l
36.         }
    
37.         #endregion

复制代码

1. 
   
2. 
   
3. 
   
4. #region 数据去重
   / j/ x$ x  {" I7 R; |& i, J" Z
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    % A9 O4 h3 ?/ E, ]7 p
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    % `* v2 `) r" j. c3 v" [# n( z3 q
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    9 E  E$ C1 @3 P' J+ ?
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    * C* h2 X9 \$ E. q5 P9 V
20.                 }
    $ f9 h; s& r& }* z! \/ P7 [
21.             }
    
22.             hash.Clear();
    0 E9 ~& N  }" A2 o) F- n5 r2 [- b
23.             hash = null;
    
24.             return list1;
    ) _# q- u4 X) Y
25.         }
    1 v* [6 W8 f" Y, d4 Q  i  Q" Q6 F
26.         #endregion

复制代码

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
/ S. ^1 z& g7 G# ^十分感谢！！！非常感谢！！

缺少一个gethtml,用下面这个：
) y# J3 e5 x4 b& w1 c& x7 B+ e

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";
   
4.             try
   ; {: [: z8 N: q) b, q
5.             {
   9 s+ q1 R3 U; x* d: A* R  [
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   0 J  L  V. z, b5 |$ m4 g  w7 f
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
   ! E9 N) U) A$ `: G+ |9 C- U
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   ! G$ f7 T: U1 r7 b  x# E+ k1 h
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
    : x/ G6 V  E- \3 N$ m
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)");
    7 ?6 H9 B, t% p8 B+ d5 h
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    % ?% k* F6 A! F( a8 f
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;
    0 G- i# v8 o8 n, \# a3 L; P' C. e
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    / j7 v5 t2 e; q2 [4 K2 y+ e
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）
    + n- D$ r# g& |1 v4 K1 m% J+ P
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    ) M7 Q. i2 O- c8 N
22. 
    
23.                 //获取网页字符编码描述信息
    2 c8 c0 O; v; w2 h! ^! k+ [) f7 S
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    9 V% x# v1 b* W7 j/ S
27.                     charSet = webCharSet;
    9 f" {. d/ I2 y0 Y  g
28.                 if (charSet.Length > 0)
    
29.                 {
    % P1 m$ |# T6 H1 B4 A
30.                     charSet = charSet.Replace(""", "");
    ; Q9 h6 t2 A" t  T5 P# K
31.                 }
    2 ]% s  Y* }  |1 Y4 _
32.                 if (UseUTF8CharSet)
    1 h3 C4 u) C: ^: ^$ ~( C: t
33.                 {
    ; x( o% E+ r  a2 ]
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
      ]% N$ K+ f/ h, r) Z( [7 N
37.                     }
    6 ~6 D8 W& f; s3 c- R
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    + f/ e% P! D* R& M, [' t7 G6 i
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    . n2 @1 A9 W: \4 G1 G" r4 e
41. 
    , a1 j. ?$ q! V5 r7 ^) k  V
42.             }
    4 r% \9 b- E' Q8 ?% h
43.             catch (Exception)
    ) V) A# M. n& D5 E8 \) n0 E
44.             {
    
45.                 strWebData = "error";
    - ~6 j. Y, Y1 ^3 j* ]
46.             }
    / ?! h$ [4 Q' q/ w: a' T
47. 
    . l$ f6 ^" S& {1 f, C6 `1 W& N
48.             return strWebData;
    7 y7 a4 M7 K! ?0 [7 @) E; I
49.         }

复制代码

- D* I% F2 _! P, g  T7 C# _! M+ X% c0 E) F

PowcAncn

weishaneweishane