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：
9 Z8 N1 w1 K2 ]. W% Z$ rhttp://a.com/b
8 a2 a) v! S+ A. r0 O8 v$ t$ qhttp://a.com/bb.html
能自动去重复

李小冲

1. #region 抓取全站链接
   ( t' t2 H+ `3 \9 h- W" A- V, {
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   8 o# c, Y. D. L# b* s; r8 f. O
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   - }  @  a; {2 E5 h+ N/ F1 \9 y6 T
8.                 if (strhtml != "error")
   
9.                 {
   ) V8 M# A& k2 `( r
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)
    
13.                     {
    1 C. f9 D7 t( L& J, X* i
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"))
    ! E' \; g3 ]7 c/ e
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    " N5 L1 M+ w/ f7 h% }
20.                         }
    " q7 }9 E% ?" w5 e" A: L
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    2 y' D# c! C; m1 {+ s
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);
    7 m5 D$ ^4 P4 U" v
29.                         //Console.WriteLine("…………………………………………");
    * n: s1 `0 U2 z" E! }: X
30.                     }
    
31.                 }
    
32.             }
    ) h5 z8 s' x7 ?& D
33.             catch (Exception ex)
    & L, S) d  R, V% o
34.             { }
    
35.             return allHref;
    
36.         }
    6 [2 q3 ]; X. S1 H) z4 t
37.         #endregion

复制代码

: U( s5 _0 C+ R# B  ^. \
. s7 R4 @+ y7 ], Q3 @2 u

1. 
   
2. 
   
3. 
   
4. #region 数据去重
   0 l8 |" q6 {  k* o0 ~/ w2 ?
5.         /// <summary>
   0 K# G, r& L9 h* H
6.         /// List<string>去重
   
7.         /// </summary>
   , }% _" K: L3 |+ X( c$ Y& G
8.         /// <param name="list"></param>
   5 D/ {) t" X* p( Q4 _; Y  h4 a- M
9.         /// <returns></returns>
   , k1 y1 `- ?& d1 j2 ^* t
10.         public static List<string> getUnqueList(List<string> list)
      n! c$ H, ~+ J! u# ~" b: n+ P
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    9 d& s. |) P( V  Z8 k
16.                 if (!hash.ContainsKey(s))
    # A8 p' |2 U2 A" g% ?; o+ P
17.                 {
    : D: V/ K- u9 M4 \( E- I
18.                     hash.Add(s, s);
    ( S7 C* D4 p; S% t$ v* n  s
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    4 x; G0 m/ x3 ?: t5 D6 a
22.             hash.Clear();
    
23.             hash = null;
    7 ?2 f* w- e' ^
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
十分感谢！！！非常感谢！！

# Y) R+ F* ]: O2 O1 I0 o; j! V缺少一个gethtml,用下面这个：
6 n5 `( j, _* h0 K% V

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.         {
   % i, K9 D- N& G0 B, l1 M' ?2 o" J
3.             string strWebData = "error";
   
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   3 ?7 v0 M8 y$ A0 @! H, S. 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);
    6 \4 e3 {6 y9 y, ^
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)");
    
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;
    5 S; d9 p7 `- r8 Z: w0 b: P
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    , J# N7 I6 K9 Q8 s3 c; M, @1 R( n
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）
    7 S4 S5 F! h# b' x( a
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    4 a/ c3 E$ z: f$ f0 J
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    8 a' B# b% O5 M( X7 ]% G
22. 
    % f& R# \, Z! D5 e+ L
23.                 //获取网页字符编码描述信息
    * _& T& ?8 Y0 k5 s( e
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    ) q  d8 U6 t) V
27.                     charSet = webCharSet;
    , K) n: y) K% S( p& o
28.                 if (charSet.Length > 0)
    ! S! v, j0 f  _1 X  x# N
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    $ D' K- n! m9 A  p+ l2 H; p
31.                 }
    
32.                 if (UseUTF8CharSet)
    0 B  C4 [7 F0 P
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    9 [2 d3 d( ^( V0 T
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    + f) C( G9 k$ K% e2 }) H, y9 X
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    $ g% a$ T5 V) l! ^
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    7 j- H; t" \) W7 n! p  z
46.             }
    $ K1 L' @9 j3 N0 `
47. 
    
48.             return strWebData;
    
49.         }

复制代码

2 ?1 u( {$ {( C% ~, p3 N$ F! o
7 `* I: U% r; a$ W# O$ [; J. z8 t

PowcAncn

weishaneweishane