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：
2 J/ m. f# H% v7 [! y: C2 E# chttp://a.com/b
http://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.         {
   / J; ^8 a( H7 K% P3 t' i! ]
4.             List<string> allHref = new List<string>();
   / A3 n, Q* e0 c5 G
5.             try
   
6.             {
   # K* g7 a4 |" J' S) O9 V
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   & k4 t8 o9 j* p% R
9.                 {
   ! i! E4 P9 z$ ?2 P  ^/ M% y, u
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    ( l% D. E, r9 L
12.                     foreach (Match m in mc)
    ( }9 v6 j. ^) b- |6 f7 k/ T9 c, K
13.                     {
    . E( X# n- G3 C
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    ! K7 W/ k! X9 d, ^) }
16.                         string fullUrl = "";
    2 H4 S2 P  q& r, u0 Y
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    % d( _3 Z6 m9 b' }' I7 U5 W9 C
20.                         }
    
21.                         else
    - P5 m. j+ a( v
22.                         {
    9 g$ ]# l: |3 v) r
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    2 B& G$ A& O1 |8 B
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    8 i$ W8 K0 W: f$ |; |! h( H
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    3 X$ E/ j- s+ \
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    5 ?+ M5 q+ N# \- A% N; F
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    0 V7 F% I+ ~" `5 ]2 h3 O
35.             return allHref;
    
36.         }
    + O  Y- M. h; N0 }4 s
37.         #endregion

复制代码

1. 
   
2. 
   
3. 
   . a0 z7 U) e( o; \) c
4. #region 数据去重
   4 E3 {. `  {2 M' V
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   # k5 {1 w2 E6 ~3 Z
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    8 w9 ]6 O. B# m1 W% i( K% z
12.             List<string> list1 = new List<string>();
    - {- h! B# }! w# P
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    * i5 u* R. u4 H; i- E+ n
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    * l$ j8 P) _3 f) ^3 K$ J
22.             hash.Clear();
    5 l3 g' y4 y' d8 e8 }: R
23.             hash = null;
    
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

6 k! O$ r/ z) ^  i
' u4 ^) F$ K" C$ I: |+ [

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！！

+ r3 q1 e0 b8 U缺少一个gethtml,用下面这个：

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
   0 b6 v4 \' ?; |' E2 ^0 C1 X
2.         {
   0 U/ |6 c7 f: |9 \) K9 _0 B
3.             string strWebData = "error";
   7 _9 d# x4 q+ N" s0 f
4.             try
   8 h  G9 G1 t5 g8 D
5.             {
   8 p1 O6 ~3 p/ o
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   ( m* O& ?" {* P& P7 _
7.                 // 需要注意的：
   $ k. e0 A6 y, l2 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
   
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)");
    5 L# F1 O2 D- j% m; Y3 E. s  L6 X
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。
    ; |2 C7 p# M  N+ d
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    " a* f& K& N: \1 @, ?
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    ' ?/ f" l8 k1 K  d
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);
    5 z8 f4 A4 u) \( _+ q
22. 
    
23.                 //获取网页字符编码描述信息
    + m' P1 I7 a8 ?4 n5 p
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    . y/ B0 h6 E4 t& q) R, L
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    & U$ d9 e; d* G7 l
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    8 _5 Y8 H8 O$ o; E
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    5 A3 B0 W2 p9 _; n
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    8 d+ ~1 p9 Q2 x
41. 
    
42.             }
    
43.             catch (Exception)
    # K9 k& p3 }6 ]8 ~
44.             {
    / @7 p, j, G5 v; y+ a% ]
45.                 strWebData = "error";
    
46.             }
    
47. 
    ! v/ c- ~4 M$ x& Y' q3 q
48.             return strWebData;
    
49.         }

复制代码

! v! _- h- \/ F4 X8 w! Z: @5 ~: P

PowcAncn

weishaneweishane