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
  {8 r4 J+ S; B& z* t比如：
4 q* t* ?7 d8 y) i" I. [http://a.com/b
http://a.com/bb.html
能自动去重复
/ n/ L8 b3 C% o& ^. j1 J

李小冲

1. #region 抓取全站链接
   # ]  K8 }5 Q  [3 _, a  D  B
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   . e6 {) w* x( d; `# D4 t7 n
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   1 m$ _. t' E9 Z
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    # v6 L/ Y5 u! H  ~0 C
12.                     foreach (Match m in mc)
    
13.                     {
    2 [* r  |2 s) O2 q
14.                         Uri uri = new Uri(url);
    0 r) \% B: a# W& G& L) k
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    + l$ Y2 k: O1 o- }* k8 t7 s# F
18.                         {
    4 |3 |/ t! ]/ S5 ~
19.                             fullUrl = m.Groups["url"].Value;
    ( Q, R, D7 i/ X# E: N
20.                         }
    
21.                         else
    ) F8 K# {/ p( O; ?
22.                         {
    * C6 k$ _2 \+ v. }( H; Z1 A
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    : b) b4 j( }3 q( {" g- r
25.                         allHref.Add(fullUrl);
    
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);
    
29.                         //Console.WriteLine("…………………………………………");
    ( l9 W: [1 f' ~# B5 @- s" w% I4 N) X
30.                     }
    
31.                 }
    ) {6 h$ ]" q; N) y0 ~8 o! l4 q; c+ i
32.             }
    / E" e! h9 k' U6 u
33.             catch (Exception ex)
    : p8 ~5 Z4 S8 S, G
34.             { }
    
35.             return allHref;
    . Y3 w5 n; X5 s0 {4 D! A, P; w
36.         }
    
37.         #endregion

复制代码

3 S2 x6 O" y5 R% g6 }

1. 
   
2. 
   
3. 
   
4. #region 数据去重
   % R6 K, ?# z2 J) i; T, ]
5.         /// <summary>
   
6.         /// List<string>去重
   / c7 G& K6 R1 h; u4 K
7.         /// </summary>
   7 F( [( \- p; H
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    + n" G0 s% n  n* r" j' X
12.             List<string> list1 = new List<string>();
    # e$ l! W$ F1 i. Y
13.             Hashtable hash = new Hashtable();
    * T0 D3 S7 t" b+ Q: }" l) E  _
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    4 q  P$ b  I# R7 \" Z
19.                     list1.Add(s);
    0 V2 o& ]' v) w* z& K  r
20.                 }
    ' |  F8 k" f  K
21.             }
    
22.             hash.Clear();
    : k+ `- {$ g! J. C+ Y8 {
23.             hash = null;
    
24.             return list1;
    0 {9 a) v) T; E7 r; C3 Z
25.         }
    
26.         #endregion

复制代码

# S. A+ H7 q) T- `" r
0 T% m* T" g4 q" E

guys

李小冲 发表于 2016-2-26 16:17

9 k1 V* Q# |! Y8 ?+ A十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
2 Y/ v* k- X9 Y# k十分感谢！！！非常感谢！！

2 C/ y- H( Q2 E) a1 r% {/ i7 p缺少一个gethtml,用下面这个：
" M+ f0 S$ y' x& R3 l( A

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
   3 L" a- O! {* M. \/ p0 U
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   , i9 O2 g2 X% C2 ~8 A9 z
7.                 // 需要注意的：
   ; _& Y: a/ [8 ~7 `/ G. n, W1 C, x* M
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
   5 s0 o# d7 X* ]0 a1 ^
10.                 // webclient.Headers.Add("Cookie", cookie);
    ; R7 a# c" [9 G6 {# e- w
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    & S5 Y- w' c  U
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)");
    1 W, t! ~8 Q( X
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    , g$ m: j; a3 l5 \* v- b
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;
    
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    ' w. p; Q( t6 R1 q) z% I
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）
    
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    * G7 t- r2 l) ]8 `0 c0 i& c
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);
    # v( g) V. r; E6 B! N4 g
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    $ ]9 n* y2 K5 C5 m3 o3 ?
26.                 if (charSet == null || charSet == "")
    3 ~3 S# L6 q7 N3 `' K7 X* ?8 O
27.                     charSet = webCharSet;
    / q: y, b! g' r3 I2 f
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    ! v& k' x5 f1 p6 _6 v
31.                 }
    4 w! w3 I2 Y  A5 F0 t3 x
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    ) M5 m8 A. `& i5 s
36.                         charSet = "utf-8";
    0 S5 o% z- X- C, [" V! E6 c6 i! o
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    . b0 D/ W/ u+ h" w4 a4 c/ U
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    ) s" p( S7 E: r/ A; i. V1 z
41. 
    # R5 C9 w+ s! ^! f- |% f9 h
42.             }
    
43.             catch (Exception)
    % d, h  ^) h1 p( G. o1 e1 `
44.             {
    
45.                 strWebData = "error";
    
46.             }
    . z+ ?  A+ E% I; c" T3 H. y8 D9 K% j
47. 
    ! u2 H8 `; I8 N4 h0 d4 G
48.             return strWebData;
    3 y* s& Q/ M3 w
49.         }

复制代码

PowcAncn

weishaneweishane