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：
- |/ E/ g$ F5 T0 m; ^http://a.com/b
http://a.com/bb.html
能自动去重复
% G% I0 ?9 ~% C* J7 d

李小冲

1. #region 抓取全站链接
   0 S) a/ ~- a- j4 c0 w% G
2.         public static List<string> GetAllHref(string url)
   
3.         {
   5 Z0 V0 d' f% m2 g. e- j; t
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   ' G0 {3 v8 b5 @/ C
7.                 string strhtml = soso.getHtml(url, "", true);
   + n& \, p( F9 H5 a. m! \
8.                 if (strhtml != "error")
   $ D* @: m; v5 l9 W
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    % q# U* r& J' ]! x
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    0 w5 O5 B, o7 _1 N6 a
16.                         string fullUrl = "";
    8 Z6 R& C; j' t, V% ~; J9 t
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
      }3 K1 x( O0 O
24.                         }
    
25.                         allHref.Add(fullUrl);
    8 T- f( A+ E, F
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    ' C1 E& `- H* R! D7 S3 `
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    7 }: M! j0 M. p1 N, F# Z7 z' x2 c
29.                         //Console.WriteLine("…………………………………………");
    9 S1 f$ i. n; ?. i# T& ]9 I
30.                     }
    
31.                 }
    5 w! N6 e$ O% l5 T1 M) F  y; C
32.             }
    $ w6 O) f: E1 N3 q+ K" s6 q
33.             catch (Exception ex)
    0 I: p, Y; ]2 L
34.             { }
    
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

+ F( Q7 h' H% r# {& I

1. 
   5 p$ u1 e* X) }8 @/ h" [
2. 
   ' Q# W2 G" }4 \) r3 G
3. 
   
4. #region 数据去重
   # E* {- i6 R! T& ?! V2 h, m
5.         /// <summary>
   9 a% j7 ?) ^$ k8 W! @" P
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   1 j% d4 `. f, K5 ^. a) p9 e
9.         /// <returns></returns>
   : W+ I3 P9 }* Y, E
10.         public static List<string> getUnqueList(List<string> list)
    . y+ t: C4 J2 W/ i! x
11.         {
    $ t7 y5 n' o" {1 U
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    + }# J+ |4 ]8 i. l
14.             foreach (string s in list)
    5 p8 G2 j! N( c* _3 q) k7 J
15.             {
    
16.                 if (!hash.ContainsKey(s))
    7 l/ H, w$ Y2 F: c
17.                 {
    3 p+ D' v7 t& N. i
18.                     hash.Add(s, s);
    % c- Z+ A  I$ |+ N, `
19.                     list1.Add(s);
    $ w1 d/ A3 L; A$ {% S8 N
20.                 }
    * A0 f/ N' A# x. s1 Y  B! U
21.             }
    : U* f7 c; |# y) C9 [
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    
25.         }
    
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
2 j( Y0 f- c; O7 w) u& _6 @; z4 a十分感谢！！！非常感谢！！

1 r7 a5 C8 V; L  z0 q/ }% d* \缺少一个gethtml,用下面这个：
* T& V: b5 c. k( y) 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
   
2.         {
   . |" ~9 D) i$ j1 ~$ k
3.             string strWebData = "error";
   3 g0 L+ Y) f# P
4.             try
   ) q& G: w7 l( j( h! S
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   % q) k. s0 J# Z7 S9 s' p& \5 E
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
   * d& {! [4 ~2 a; U- q
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);
    ' ~$ @2 h1 N9 A; N2 o
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    ) Q( t% M& j, p8 b  S7 n4 \* u6 Y1 P6 N
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。
    0 ]& I- n! e+ N' x9 Z- _8 R% w; f
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
16.                 //如果服务器要验证用户名,密码
    ' l6 d5 o0 \& R. a  A5 s( a
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
18.                 //myWebClient.Credentials = mycred;
    , A& ~, w# f  x; x
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);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    ; _( Z1 _* x% o2 {: B; d. Z
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;
    8 l) r+ u9 t4 V- `
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    & }# {  A( ~& m$ U9 {- Q5 _* D8 {2 f4 w; r( E
28.                 if (charSet.Length > 0)
    
29.                 {
    & B# Q  T! G$ Q- K+ K+ v8 A, x
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    7 ^1 F3 k3 n9 h5 L! v, g
33.                 {
    ( N, b, W+ o3 Y. H6 F# o) B8 Z. Z& M% U
34.                     if (charSet == null || charSet.Length == 0)
    9 S) W# R8 n, u& D: B. V
35.                     {
    2 N8 D7 i! z7 @; I
36.                         charSet = "utf-8";
    
37.                     }
    $ ^; F4 q+ I1 e$ U' e) r: r
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    ) `6 o7 ^7 t: h1 y0 y. h. ]7 X. b
43.             catch (Exception)
      m. ?6 y0 x& Y( @( R
44.             {
    
45.                 strWebData = "error";
    
46.             }
    
47. 
    
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane