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
* z' N( ^7 c4 q9 Fhttp://a.com/bb.html
& ?: ~0 e/ p, g6 M' S( j% i7 W能自动去重复
7 v2 v0 r/ f, Q8 u' _/ z

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   
3.         {
   7 r6 }5 |2 h) F( [+ b
4.             List<string> allHref = new List<string>();
   7 |/ |7 \3 ?/ k1 p4 c
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   ' Q# @7 w# f! u; ^/ k6 W4 m5 e6 R
9.                 {
   & L) m7 H, O5 I) l) a2 y
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)
    4 n" W+ x  u, n4 w6 A1 T
13.                     {
    ( Z6 K7 O# w0 ~) M
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"))
    : \# i+ |6 V/ _2 P
18.                         {
    7 i5 g# I, n  w& k: f+ q9 G
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    7 ?+ m  C( p% N" \/ A
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    9 {. S/ J0 O2 V" _
24.                         }
    
25.                         allHref.Add(fullUrl);
    9 j3 K8 m# }' y% P1 a. Z/ k$ q
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("…………………………………………");
    3 V2 I* p* Z5 L/ C! T7 \
30.                     }
    + X7 i; v8 N+ w$ Q6 p% l2 \
31.                 }
    
32.             }
    & P* ?1 i% `! e/ L( ^6 p, m- i& \7 q
33.             catch (Exception ex)
    ; H6 G4 ^$ n" |  V6 |/ W* y7 u
34.             { }
    
35.             return allHref;
    
36.         }
    ) p' u* _6 P5 s8 O6 E& J! D
37.         #endregion

复制代码

2 n( c: r6 f8 r, y; z2 z# {6 m, J

1. 
   # E9 W3 [$ g* m. F0 @! j9 [
2. 
   ! J8 \% h& U5 w( S* p0 J
3. 
   # P: `: q/ b2 V2 \8 e
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   % i, Z0 V$ Y) l% _
10.         public static List<string> getUnqueList(List<string> list)
    ' R5 N/ W% u" k9 v; T5 O, i7 N5 R
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    : a( y1 M# A. C' U" h( u& v
16.                 if (!hash.ContainsKey(s))
    4 _3 Y1 l$ F# h, b: l
17.                 {
    + [" o0 \3 G5 ?- g: P2 Y. n' N
18.                     hash.Add(s, s);
    5 P" c3 K1 d9 t5 K; D  P8 U- m
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    % f2 x  d) V5 F8 V& C4 Z' ?9 [
22.             hash.Clear();
    2 M, x  N. p1 l
23.             hash = null;
    
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

/ K; N4 r( _- x0 |

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
/ U7 i) n2 `1 Z5 l十分感谢！！！非常感谢！！

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
   
2.         {
   
3.             string strWebData = "error";
   : [- ]. Q1 M7 `1 y
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
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
   + q$ H. P; u+ t) y: c  `9 M6 A
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   5 c! L3 @  [7 V; J. k6 }
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)");
    3 T) o9 O% E$ A" r$ L  d) }) e- @
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。
    % j- J* [3 G7 U9 p/ y1 @
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;
    9 _7 ~& M1 c5 ^
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. 
    
23.                 //获取网页字符编码描述信息
    $ }  [2 L8 j+ G# Q
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    - l$ X3 t6 S; M! ]6 v( b) c
27.                     charSet = webCharSet;
    ; @. x/ h5 H' ^6 e) I9 U/ }( ?
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    0 n1 s5 o6 H( B1 `) l* j7 `  H
34.                     if (charSet == null || charSet.Length == 0)
    & n+ Y" {/ Y+ Q
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    7 ^$ D* L0 R1 }: q4 e( E, z  ?8 P
38.                 }
    & x' R& [$ R& z% ~  A
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    
43.             catch (Exception)
    3 L9 F; f. s( L. U& y* N
44.             {
    
45.                 strWebData = "error";
    
46.             }
      b6 {) n: i- T# i4 \
47. 
    
48.             return strWebData;
    
49.         }

复制代码

' K; r  D4 q) y

PowcAncn

weishaneweishane