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
: M' v/ D2 _* Y! J/ J能自动去重复
3 Q. e0 u# j" X# `7 h* e

李小冲

1. #region 抓取全站链接
   3 g, i  d; ^2 w' {3 |) e& H6 m
2.         public static List<string> GetAllHref(string url)
   5 y: C3 c/ A# s3 }
3.         {
   
4.             List<string> allHref = new List<string>();
   ; C  b/ d* [1 ~7 U0 `
5.             try
   5 f/ t7 S/ q. o( n/ b
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   % L6 }9 o* b2 L" g( C
8.                 if (strhtml != "error")
   
9.                 {
   4 M* Z0 c  m( X  g( a/ Z) _( |
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    " y! u% D( ?. H7 u0 F) p
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    5 U7 g  A: N9 m  P+ I+ {
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    ! v; H/ w+ k5 |' [% P
17.                         if (m.Groups["url"].Value.StartsWith("http"))
      }# q% W; f) [1 ~5 g" E
18.                         {
    ( C) L+ y7 W4 K" L  {
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    8 E4 A7 y" m" `7 ^9 @1 o, d- K
22.                         {
    $ B8 k0 s. w# A  \
23.                             fullUrl = thisUri.ToString();
    * U/ ~, @- }( `6 x- R3 o
24.                         }
    + J$ S5 X5 [, w& B; i
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);
    ! ^" z+ g/ G8 S
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    + W8 M1 A; G* k( n9 F6 S
29.                         //Console.WriteLine("…………………………………………");
    2 i8 D, q  _1 {; }! C9 u' `
30.                     }
    . E& m# X& D; A, s* F
31.                 }
    
32.             }
    9 \. l/ p0 D; J! w
33.             catch (Exception ex)
    ; U+ Q+ ?* u# P! r' ]0 m
34.             { }
    4 {( m1 v" y+ g9 b
35.             return allHref;
    
36.         }
    ) b# \' }6 o0 E: f' D1 d' t
37.         #endregion

复制代码

1. 
   + B* K( b) V; V% i4 M! a+ c' y0 G
2. 
   
3. 
   
4. #region 数据去重
   6 e5 _- t$ `2 Y3 F" V4 R
5.         /// <summary>
   & O, v5 V0 \1 D0 V: R, J% F4 v) Y
6.         /// List<string>去重
   $ ^# G+ e' k  e/ ?( D- u2 {
7.         /// </summary>
   0 j, ~7 c0 T6 a1 f. }3 ?# J: I
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   6 Z9 M" b( \) T/ D# F
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
      ]! n. X+ j5 Y+ }6 |. |3 a
14.             foreach (string s in list)
    & n7 p$ s4 j# a9 y: y- T
15.             {
    8 h: k% F4 E$ V; b
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    $ u" Z9 c% y4 l6 x" G5 o
19.                     list1.Add(s);
    8 R9 W+ r( \1 r: T6 q
20.                 }
    
21.             }
    3 A4 E, s9 S* ]( b
22.             hash.Clear();
    : O0 d6 n1 O, l! p+ i
23.             hash = null;
    
24.             return list1;
    & ^+ E( U' z, p0 N, a  e
25.         }
    6 n- M' f8 T- T" i) T+ \
26.         #endregion

复制代码

0 w$ A1 \" H, E0 C

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！！

2 L3 F; B* f, a6 s! C0 u5 H/ s缺少一个gethtml,用下面这个：
' w7 _' E3 j3 e: v9 Z) {

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.         {
   & _* [. ^8 d9 @8 b, x
3.             string strWebData = "error";
   
4.             try
   
5.             {
   7 d/ ^' v. ^1 t* W5 m2 Y
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   8 H7 N* R* H9 n; C7 M. D4 f
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 B( j! ?3 t) g! x- c, l: M
10.                 // webclient.Headers.Add("Cookie", cookie);
    ; K9 f0 R/ T9 b% s* A6 }2 d
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    % K& x1 D7 f- R5 |& L8 q$ r
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;
    
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    ) ]+ N" s$ x( L  w4 C) I- j. H
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）
    5 L) m) K) H, n" @; [
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    8 y% a" B! A% ^  [) _+ [
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    
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);
    $ j  g8 p% v+ F
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    % \* Y. G! ~+ T9 C7 V: R. o
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
      V' l5 f* G! N$ R* t
32.                 if (UseUTF8CharSet)
    
33.                 {
    : |+ `: X" H! k! s* Q- f; \5 u
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    8 P% F7 Y- y; |9 m3 ~! b; L
36.                         charSet = "utf-8";
    : t' d2 ?0 Z5 N+ s* |: b
37.                     }
    " d% Y+ K' ]+ ]
38.                 }
    " b3 w8 i# z% P
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    
46.             }
    
47. 
    5 K: x$ Q1 j# _/ m, U  k
48.             return strWebData;
    1 h7 b  W/ S% D& g7 E5 R7 U
49.         }

复制代码

# V  n  m9 c0 f  M
( \$ u5 M6 E4 g; @8 ?0 d

PowcAncn

weishaneweishane