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
http://a.com/bb.html
, a% |7 `3 P6 p, l  F能自动去重复
  ~. ?" i/ k  ^7 f1 d& Y- [

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
   " y; L* _4 {( @9 i/ [
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   1 ~* T; |& I, T5 \
8.                 if (strhtml != "error")
   2 Y- h# h- A( O. x6 x
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    2 V+ y* ]8 K8 n' t) B
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
      Y9 i  {7 ~& T9 J5 [6 f
13.                     {
    % ]* |/ M$ ?- U$ v  V4 t7 V
14.                         Uri uri = new Uri(url);
    - B8 G  d& s3 D! p# r$ F6 q
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    % B+ v7 x& I4 ~! o
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    - N" c/ X1 v( b6 b. P- I
18.                         {
    # U9 J6 m" W2 U" |, z
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    0 H; B' |9 ?' V/ b5 Z/ ~
22.                         {
    1 R: m7 |* i6 ]0 ~7 z. U
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    ) E; K$ c; c7 u2 }- O# y
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    * `# _: f+ R" s, x
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    " v' b0 S* b; T6 v! l) [: V' e
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    ! d" O6 }; H. z; O8 P
30.                     }
    4 a1 P6 h$ U5 r) `) X
31.                 }
    
32.             }
    7 C5 G, g; Y: _; J
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

1. 
   
2. 
   % l3 `; p7 E) v8 K3 V  x
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   1 X% F* Y  M+ \# [; j
6.         /// List<string>去重
   ! p4 w& _* }1 V. L* ~6 e) Z/ l
7.         /// </summary>
   
8.         /// <param name="list"></param>
   2 Z0 b) A; @) J6 N7 _6 o+ @
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    2 C* f9 K! P6 F
12.             List<string> list1 = new List<string>();
    0 z, h' c: F' S8 _- x4 G9 S
13.             Hashtable hash = new Hashtable();
    * A2 I+ J7 X% g/ ^& h& l3 l
14.             foreach (string s in list)
    
15.             {
    5 I% P+ q: F; V# p
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    9 j; u/ _6 Y/ Q( c+ G+ A
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    ) F; F& A3 N0 y* v" D4 `& V: q
22.             hash.Clear();
    
23.             hash = null;
    - U2 Z3 y' m# X& a
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

1 y, n8 p; w! K8 H

guys

李小冲 发表于 2016-2-26 16:17

3 b$ I$ b8 j! k8 n  U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！！

' C9 V- A+ b0 g: z2 @% K$ ]6 N缺少一个gethtml,用下面这个：
9 e/ d  ]+ ^' @. `* K# |6 ~

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
   4 I; ^; A' J1 p2 I/ D7 X9 ^" h9 P
2.         {
   
3.             string strWebData = "error";
   , z* P4 l5 `2 Y: x* \( \& y2 i3 C* k
4.             try
   
5.             {
   0 g* ]2 J1 A( P$ P/ o+ w; I
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   7 E4 N! G" {) k% W  m2 _+ i' H
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
   
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   ' Q: O5 x& i3 C' e: D
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)");
    6 z0 f$ o- x6 w9 w- Q( S
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;
    
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;
    6 r2 V3 u! W) o
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);
    " L: I1 {" L9 \8 E! z5 j- z+ V# ]
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    3 U  m  J1 R' f( _
22. 
    2 [! Q0 Z  }, w4 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);
    ' r. ^; l* q/ u6 L6 j3 ~
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    ( p6 V2 A3 H6 E# [5 v
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    ) y$ q% p) x( A2 B8 z& e2 }
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    0 Q1 T/ u; K- g" _" ~- j1 x+ p
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    " V6 r2 i) x0 F: m
35.                     {
    * {1 X2 j# g) V: \, L+ D6 z( i
36.                         charSet = "utf-8";
    - |# G& L9 y; Y, l
37.                     }
    # v1 B' l2 l' ?7 p7 Q" q
38.                 }
    2 v6 t( s) D3 ]. |, [- b
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    ; W+ v8 d# k8 X: N  m" {
42.             }
    7 f  |0 F' c0 [; d% u' c3 ~* c
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    
46.             }
    $ z: ]3 B9 G; Z/ C7 Q
47. 
    
48.             return strWebData;
    $ `- y) N! S# h  B  j/ ]
49.         }

复制代码

' w2 j. `; b9 ]% U* E" k! k; {

PowcAncn

weishaneweishane