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
* q- w1 p3 a: h  R: khttp://a.com/bb.html
1 ?- w, h2 d: X2 k) l能自动去重复
2 `- F8 s+ I0 k0 s: ~

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   $ b' M8 ~/ h+ A* s, T- l; E% e
6.             {
   - X- g3 h- ~0 N, q1 F9 n* `
7.                 string strhtml = soso.getHtml(url, "", true);
   " i2 a6 |5 A  F( T# C
8.                 if (strhtml != "error")
   
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    . B; D7 p3 ~# b! w  l
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    ) s1 _+ H0 j  ~7 a
21.                         else
      u! m& e4 w5 |% H3 @* r5 ^4 p
22.                         {
    , `  x  m8 ]! L5 E8 B
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    # C9 u2 `6 j- r. X' o* e5 a, r
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    ! D/ }( w  F: s' T! e7 b3 G/ ?8 F5 O1 `
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    0 Z' }' ~, P6 w8 a& g; B5 q
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    " `$ A- e7 }- `7 W4 h$ F1 F
32.             }
    : |" ~9 f8 y3 H  u; Y
33.             catch (Exception ex)
    5 o0 t7 y. l" h" f$ f5 m/ u
34.             { }
    ) Z2 C5 V9 h4 N
35.             return allHref;
    , i& n+ z2 @' \( N
36.         }
    
37.         #endregion

复制代码

2 V" @& B, w, W

1. 
   
2. 
   8 x9 d9 W2 `. b* h( r
3. 
   
4. #region 数据去重
   : j/ r% y) m; @& Q" D: T
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)
    - ^+ |+ U) ^; Q' Q7 B, |6 S
11.         {
    ' k6 R; e' C7 `. V2 B
12.             List<string> list1 = new List<string>();
    $ K: b. A. Q+ E
13.             Hashtable hash = new Hashtable();
    8 k. a3 U  P2 V$ ^6 f! k3 @
14.             foreach (string s in list)
    
15.             {
    ; p! T, y" s* y  P8 O8 W
16.                 if (!hash.ContainsKey(s))
    8 q! r! j$ T5 @- B& s- A* E
17.                 {
    0 e/ R7 N% A4 p: h# _  V
18.                     hash.Add(s, s);
    % b" Y0 p" J8 `- m* y# k4 q6 b
19.                     list1.Add(s);
    
20.                 }
    5 O  h0 z, s9 o2 l# |& S0 g
21.             }
    7 V# g3 `& I" ]- }* w$ e- ?4 l1 q
22.             hash.Clear();
    & m2 b  U$ r- T3 w) G
23.             hash = null;
    
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

1 r# b3 [& g) t& ~# z6 M

guys

李小冲 发表于 2016-2-26 16:17

, X* b: G, R+ [4 Y  s十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
* B% r1 B% Y- [8 e. G) M) p; A# R8 Z) x十分感谢！！！非常感谢！！

1 i) W4 Y! R  J( h' I  o$ q缺少一个gethtml,用下面这个：
3 r$ e5 @5 x) K

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
   " D) s+ V  J8 q2 D/ S3 }" Q
2.         {
   
3.             string strWebData = "error";
   
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   + T9 Z+ E# Z3 G, a5 [0 e
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
   " X/ E' m  C. a2 y' @+ n7 W
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   # v* l1 _, }! t3 Q$ 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
    
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)");
      F. e5 g9 {8 [3 G) z9 `
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;
    # I, Q# T8 E$ K$ ]' |+ e% V0 L
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;
    
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）
    ) Y5 f3 K9 m3 d; |* l; M
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    " q, `6 B6 b& |7 P. h
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    
23.                 //获取网页字符编码描述信息
    6 J! T- e: R! z$ Q3 u
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    ) M" ~0 J( m: l" n6 e9 N
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    . M! Z& S+ O: w5 x2 I- D
29.                 {
    & C: {8 ]% D5 \
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    # ]* |9 [9 R9 P: k0 Z" o" d0 f6 I
32.                 if (UseUTF8CharSet)
    
33.                 {
    4 s  q7 k5 W2 |4 o2 K+ S
34.                     if (charSet == null || charSet.Length == 0)
    $ v8 g2 J# Q8 f1 {3 S/ s' [! U
35.                     {
    & \6 @" Y% c6 W
36.                         charSet = "utf-8";
    * Y# h; ], l( x9 m( e$ k& t; Q- s
37.                     }
    ( q  o6 ], x# N6 \' k
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    , \8 A* Y/ X, ~9 Y$ d' m5 c
42.             }
    
43.             catch (Exception)
    . v* Q  I2 R8 Q
44.             {
    
45.                 strWebData = "error";
    * [; L* r% d# M
46.             }
    ; l4 ]  A) b+ L9 p( G: K. Y
47. 
    3 M& V+ N1 ^6 a4 \/ z
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane