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
& _+ O; H4 X* V( u( Q0 x5 [4 \& @- _http://a.com/bb.html
8 K$ y9 G% ~) i0 J' j! j能自动去重复
" p6 ^  U  Y: |+ W1 _, o

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   
3.         {
   ) l2 B) G9 r% r: V! ?6 t
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   " k, Q; y! y7 }8 C/ y+ N
8.                 if (strhtml != "error")
   $ C& t  N; g4 o. A3 o5 e
9.                 {
   
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)
    
13.                     {
    
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"))
    
18.                         {
    % Q7 h/ b' i9 L( a& z. D
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    6 O( z1 \" g$ Y/ z% x, N8 V0 T
22.                         {
    1 n2 }) r7 C1 {" z/ J' H
23.                             fullUrl = thisUri.ToString();
    & H; N3 e) h4 s' \# ~
24.                         }
    ' ^0 I5 c. Y% A. q5 _% E# i8 `+ a
25.                         allHref.Add(fullUrl);
    4 Y. b0 S. N. K2 q6 P, |2 ]! ^# J
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("…………………………………………");
    ; k6 }# \: V* p7 s% }
30.                     }
    
31.                 }
    
32.             }
    * {" u0 f# V  U2 _4 W$ |
33.             catch (Exception ex)
    + ^$ w0 ~7 i' l& ~
34.             { }
    5 v% x9 ^- x6 O3 Z8 y$ X5 m6 w
35.             return allHref;
    ' P5 E$ H2 y! G) Y. o$ e6 R
36.         }
    
37.         #endregion

复制代码

2 e# P- Z1 v! H7 M" w6 d& Q; P
: |, K- Y" C  P1 _8 |" e

1. 
   1 U8 z/ m7 e. h+ v3 a
2. 
   
3. 
   ' A1 N3 M6 q" a/ e
4. #region 数据去重
   0 E8 k- l  z; s0 Z; I- `
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   8 Q% M8 P& i8 o' e/ [3 Y+ z3 y3 R
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   ( _0 `5 Y  ~( j
10.         public static List<string> getUnqueList(List<string> list)
    # E7 A4 u3 b2 H% |- `
11.         {
    1 F9 s- S0 J6 y9 J; \" h  }
12.             List<string> list1 = new List<string>();
    8 G) [- ?& F; @7 V4 [, y6 ^
13.             Hashtable hash = new Hashtable();
    * F6 W( Z* W; f1 y& J
14.             foreach (string s in list)
    ; n) c; L4 I8 z: C# T
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    / M6 j, S3 _! s  {( z2 f
19.                     list1.Add(s);
    # I/ V1 J! g0 F6 n' ~
20.                 }
    
21.             }
    
22.             hash.Clear();
    1 w1 M( K6 t" F: p8 ?! N+ J
23.             hash = null;
    
24.             return list1;
    
25.         }
    - D' P2 S9 a( p9 D1 V7 N
26.         #endregion

复制代码

# g1 K7 }+ I( A$ R4 m

guys

李小冲 发表于 2016-2-26 16:17

* |8 Y$ E( r# i十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
5 `. C* f7 ~  ~# r5 n  B十分感谢！！！非常感谢！！

& Q; R9 s, y) s% ~缺少一个gethtml,用下面这个：
! S8 O8 y- n! o! K

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 z8 G5 I& X3 B5 U3 L
2.         {
   0 N* R2 i+ b2 S  w: }5 C
3.             string strWebData = "error";
   0 l4 C" ~  q0 C) E
4.             try
   5 M- I, p7 h$ s; C8 T
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   ) ^' Y+ k8 d. [7 m
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 N& F  u* j5 m0 p
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)");
    / ], h2 h9 g* }  r" i9 x0 j" O; M5 G4 k* v
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    4 s  X& i7 c, Y
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。
    & V9 k' V1 a7 z7 G  y
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    , ]$ ^% W9 k5 o' c
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    ) t# t8 @5 R4 T3 L& B/ Q, y5 A& j
18.                 //myWebClient.Credentials = mycred;
    2 ?" G! ]2 h+ p5 m% l9 [) w
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）
    ( W. {- {% T) O/ `9 G2 k
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
      d! H' n% X5 P
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    4 T7 c$ P* G" U& `  C9 G
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);
    + O: C+ x- ]* Q2 O4 s5 x
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    , J/ i) k. u. G: \
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    $ m: z4 P$ _: n5 G5 P
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    7 P7 D; h7 r1 h0 O! c
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    $ f" O+ ^: {- u0 D; q
36.                         charSet = "utf-8";
    , d7 t& O9 k) ?* q  t$ A4 p
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    ' s4 J7 {6 E4 _0 T# X
41. 
    8 F. J1 C/ ?( I* ?) d6 y. o
42.             }
    
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    4 v$ x' b7 F1 s4 K- ~
46.             }
    2 o% I% x0 `+ h$ q# f+ ~
47. 
    
48.             return strWebData;
    , E# F+ e; x( C1 [5 |( X/ d8 T4 n
49.         }

复制代码

3 x- u. C& ]" d! O

PowcAncn

weishaneweishane