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：
9 x0 E5 `+ M* z( @) n5 o( Nhttp://a.com/b
http://a.com/bb.html
. u: o! w4 m8 Y# I" J% h7 ~! ]能自动去重复

李小冲

1. #region 抓取全站链接
   , r! v' r& Q6 L% g- z$ w) A
2.         public static List<string> GetAllHref(string url)
   * d* a. J: @9 `# [2 E/ V0 K
3.         {
   2 t( O, R" {1 Z
4.             List<string> allHref = new List<string>();
   & Q* l* C' e' W' E
5.             try
   " _) U6 @5 Q2 v, O* P
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   $ a0 C$ w  j! H9 f5 w6 y
8.                 if (strhtml != "error")
   
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    4 g  I  n8 q9 Q9 T
12.                     foreach (Match m in mc)
    ; ]( E, t8 v6 ^: [3 {1 V
13.                     {
    
14.                         Uri uri = new Uri(url);
    & t, n4 B* a7 b
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    ( j5 _6 ~8 h8 k1 e% s" r6 g7 O' q! g
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    3 Y+ s) I% I, l- z- m* T- d9 T
18.                         {
      v3 \5 V# s( r7 m" |; M2 A4 x
19.                             fullUrl = m.Groups["url"].Value;
    + q0 W0 j+ Y8 q6 g. H) R# ?
20.                         }
    5 |4 A# ?: _# O$ t6 ^* [" N7 y
21.                         else
    * x5 u! o, {8 |
22.                         {
      a1 ~$ G/ r+ e
23.                             fullUrl = thisUri.ToString();
    . `- y( L6 ?) f
24.                         }
    : i# q! _- H, J8 X: i' z/ @
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("…………………………………………");
    
30.                     }
    
31.                 }
    
32.             }
    3 _' ~* R$ p7 s  f
33.             catch (Exception ex)
    
34.             { }
    ( R1 t7 d( b* h  P
35.             return allHref;
    1 b; k- n- G3 t1 L2 N3 J8 V1 x
36.         }
    6 q6 U7 e9 h) i
37.         #endregion

复制代码

1. 
   0 `) }. F) `/ \  z8 r/ \
2. 
   2 r% e- j) h6 n4 ]
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   6 N( A2 }3 V! O+ \; ]8 i
8.         /// <param name="list"></param>
   5 X. Y$ p2 q% L9 Q
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    2 t# G" x/ W9 V: L( ]
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    1 {# a' Y# n: u3 d1 ~- n/ q) w9 V# L  `
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    6 p- F' e7 W6 T3 S' s
20.                 }
    7 ?* x; h3 |  y' q. C
21.             }
    5 V8 n8 L4 @  o6 [; y7 o, W, {
22.             hash.Clear();
    , @" |- y& p1 d9 K$ h4 z
23.             hash = null;
    7 v1 |) U: L" I% \! n
24.             return list1;
    $ O  k& ~' k/ g" ^3 m/ N. H
25.         }
    1 D6 M" o0 K, t- z. A7 Z( t
26.         #endregion

复制代码

$ y$ h+ X+ b) K2 e& W5 n" }3 L9 Q

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
" Q+ }( y' s: b+ L& b十分感谢！！！非常感谢！！

8 ]) W2 M4 M* ?' M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
   + Z" d( B/ E! k9 o1 @$ l
2.         {
   / q) K2 F) I' v* i
3.             string strWebData = "error";
   + Q% K; J8 @$ S9 B
4.             try
   2 t& q; ]' N; e, h- g- F, ^
5.             {
   & o% j# a) P1 D$ p% E  u" I
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   6 ^9 l4 N" }, V
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
   5 S! O3 x/ i1 `( x9 y- H; ~
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
    ; v, r9 w5 B, y) Q2 w: n
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)");
    " G' ~1 p9 D9 O; y+ R# [2 c5 O. K
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    2 t) ?$ p  s" t% Z6 A
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;
    3 \  r. M8 D7 ]+ N6 p" @* Y0 i0 N* b
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    % D4 M. O7 l: o7 Z
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）
    7 y% K/ r6 a7 @7 j7 _1 Z8 j
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    $ }/ A2 j  \+ t3 o
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);
    ! ?$ N7 a$ s$ J) D
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    7 ^* X- s$ ]- U% X- V" X
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    3 w4 W7 z& }1 X2 v( G3 X
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    $ }& G6 e: w  i0 G. A
32.                 if (UseUTF8CharSet)
    
33.                 {
    0 @% m  b& X8 t: |
34.                     if (charSet == null || charSet.Length == 0)
    9 [2 S: z9 a$ X. V: |
35.                     {
    % X. }8 x: `/ K/ z9 F
36.                         charSet = "utf-8";
    + f: E# A. V7 v" u! {( m
37.                     }
    # W7 g8 `/ G; N
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    
43.             catch (Exception)
    5 A, e/ j7 R9 J3 ?. s* u
44.             {
    ) c3 I, V6 j- |& [' k+ ~# M8 v1 Q
45.                 strWebData = "error";
    
46.             }
    
47. 
    9 R4 J3 m* P" x" o! n/ S
48.             return strWebData;
    ( m/ T4 ?/ w# ?6 B+ x+ K1 G: s) E) {
49.         }

复制代码

+ o! v& `( H& S
0 N( |3 G4 a$ h4 O: ^9 K+ w

PowcAncn

weishaneweishane