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
" t. l! ^; X  R& u' V比如：
http://a.com/b
http://a.com/bb.html
1 B; \, a/ N8 B" r能自动去重复
9 V0 ~2 {' w8 c1 K$ Y

李小冲

1. #region 抓取全站链接
   / _- r; A8 _* i% i$ ^6 }8 f
2.         public static List<string> GetAllHref(string url)
   3 C# A$ P9 r; X( R- ^
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   - R( t; n4 P, [4 S8 p
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   , z' {+ }) l# Q7 L
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    ) s, {# D: R# A5 {! P! i4 d' F
12.                     foreach (Match m in mc)
    
13.                     {
    ! s; g. v( {/ ?7 F
14.                         Uri uri = new Uri(url);
    * u& ^  R, f" W8 O2 u) s0 F
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    % f9 J. b$ @4 }9 M! W
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    6 s6 {1 W0 C4 h. {# \, k& ?- v
21.                         else
    # x* N# e7 Y; p5 D! u! Y; v% }, o
22.                         {
    6 K5 U0 o* I1 j/ L% x
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    . }, V  h# C4 T5 A/ l- P
25.                         allHref.Add(fullUrl);
    : d. X- ^! ]. O# J5 m/ A
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    # `3 p4 G7 u: w3 F. }( S* m  r
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
      b0 {8 N+ B8 z& p; Z( [6 k7 F" W& R9 v
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    . m0 S6 b( E% L; `! s' q. L( I8 S3 r
30.                     }
    
31.                 }
    ! E/ z4 F, G% [" D* X+ _
32.             }
    
33.             catch (Exception ex)
    6 D/ [$ d# M! D, I" t4 a
34.             { }
    2 ?" {6 E3 B9 t( k# A
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

2 R$ e/ l- q) V# M; _7 X# N
4 I$ t0 E% n4 q

1. 
   & j2 R& g; e' b, I
2. 
   
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   5 S. V' T& G& k
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    8 Q* u, B; r) l2 S/ J& h, }! |
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    : e$ C, h9 G- ?# ~& ?$ r& d0 Z
15.             {
    ' T0 P- M3 J& [/ S0 X
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    $ A8 \* T" C  M, F1 w5 }1 E! ?
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    4 R* b$ [$ W; Y
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    , z% `; ]# B5 v7 i! `
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

* }: |) {: G$ }9 C
# H, S- }* w8 e0 B

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
4 `' D! _* c" }: H( P十分感谢！！！非常感谢！！

( G' {5 C8 {/ U9 b7 R* X1 i& x; t7 x缺少一个gethtml,用下面这个：
3 _$ A: Q+ U+ X* f6 S

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";
   
4.             try
   5 m8 {( b& Z" s( y
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
   3 W  d- O. W4 D6 U
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   6 a% e3 N( R+ O( ~* s0 x$ G
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)");
    / r6 Y0 @9 U  W; O+ z- Q. X
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    6 N3 u8 `- ?- U- D
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
    - q+ u& A7 x3 u4 T, w+ L
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    ; A, \, `& ^/ w/ X+ `1 C2 v- s. e
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）
    . F# H% b( J. ]8 g
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    ) p, o- b5 ^4 Y+ A2 Q- J
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    
23.                 //获取网页字符编码描述信息
    / o6 C: W, Y0 _# |3 p4 m
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    ( b# A* T6 g8 n2 w) T8 u
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    . o! A( _. B6 x) L, d" Z
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    * x( _+ @- ?2 z
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    ( {' y( W7 j; I- p" i& k2 p6 G
35.                     {
    
36.                         charSet = "utf-8";
    , _8 t+ A. F, O! G5 }
37.                     }
    " ?9 [5 Y- R4 c8 J  f& i% i
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    " E: P& r# E- `  @
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    ( H! Z9 E8 E% K0 Y: O* i
41. 
    , i/ Z  q8 @: c7 D; X. E
42.             }
    3 B; Y1 p7 V) K( y% X
43.             catch (Exception)
    5 [" A, e! u- U! w% D0 [$ ^! N) ?
44.             {
    # J5 C  F; z& ^3 K' P
45.                 strWebData = "error";
    " i! B: [$ s. i. m, z9 y. T: s
46.             }
    - O( Y# X+ H) y
47. 
    
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane