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
: P) I8 X) L: z$ S# ]能自动去重复
7 M. v) b+ w8 b3 \3 \4 ^

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   
3.         {
   : _7 {: [9 H! c- t$ v7 [
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   9 T$ M1 t7 x( d
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   % U- `6 k0 Q& ]; a" Y+ `' K
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);
    / Y2 B0 p* h, j9 n/ ?$ s$ O
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    : E3 M  Q0 [6 T, c) p
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    / F0 w/ A% L% ~  e( {  ~0 L3 P" Q1 Y
22.                         {
    3 m( q2 Y* Q- W8 h: H  v
23.                             fullUrl = thisUri.ToString();
    % }9 Q* c$ }+ G7 V" R
24.                         }
    
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    3 Z( D2 }; \# F, q/ B. q. X
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    ( ?0 G6 g$ l3 Z" ^8 }) Y$ s' d5 p" L
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

1. 
   
2. 
   , y, O# S, u1 w( p& k0 l2 l# o* Y+ ]
3. 
   8 C- }$ Q/ l1 B# ~2 \0 v
4. #region 数据去重
   0 I; O8 r: a2 U; R  l
5.         /// <summary>
   ) `4 V! ^+ o7 ~
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    3 M) X4 Z' ~4 C+ j1 C: R
15.             {
    1 _+ Y; v" G+ r+ R( F
16.                 if (!hash.ContainsKey(s))
    . m+ ~! M' n8 N# a6 g
17.                 {
    , d; t. S8 q% i* w# D$ J) V
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    ( p7 x. F1 e5 x) j2 l$ q3 j* }
20.                 }
    . c' B  _! l4 V: t. }2 L
21.             }
    
22.             hash.Clear();
    0 q8 L& `' A/ J7 U0 P3 E
23.             hash = null;
      _- ?0 X1 |  Z, Z
24.             return list1;
    : I, s' j9 `- _9 p
25.         }
    ; E$ Z  D* r5 t& M8 o0 W9 |$ H
26.         #endregion

复制代码

; l" `7 a! A, \2 O4 \- K8 j
) ~9 Y4 g8 l) J" B; Z6 w; C+ S

guys

李小冲 发表于 2016-2-26 16:17

' {  F% R$ U* n$ h  S十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
5 E* S" h# Z6 e十分感谢！！！非常感谢！！

! V7 ]6 l/ X2 ~, P缺少一个gethtml,用下面这个：
# X: ^( z9 r/ w1 f/ G, o" i7 \4 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
   % X4 n4 m8 ~# S* X& }/ d
2.         {
   
3.             string strWebData = "error";
   . @$ P  I, q* V3 ?- L
4.             try
   
5.             {
   7 l1 s# s2 M8 d  v! t* @
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   ; K+ `! `0 z' g$ |3 n- h) F# u- V" t
7.                 // 需要注意的：
   5 c/ f; r0 t9 u" g
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 s& K5 z9 Y) Z$ X/ `
10.                 // webclient.Headers.Add("Cookie", cookie);
    - w. R! x2 f! H/ I0 S0 v: n4 b
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    % n/ Z4 O9 g; P3 w
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)");
    ! z4 B* V# `0 h
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。
    8 _6 w$ C& N4 i  G3 z, E
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;
    % G' H; t; o) x5 K4 B8 G* |7 _
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);
    6 g2 S1 E9 v! Y2 p" j
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    . H. u9 s2 E, K0 @0 Q
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);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    6 k# o: {; g0 Z- ?
26.                 if (charSet == null || charSet == "")
    * x) x' R7 \( b: L. z
27.                     charSet = webCharSet;
      J# s$ O8 v* m( i
28.                 if (charSet.Length > 0)
    + p' U* _% b* Y; f6 q! k* F. r6 _
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    . p% e; q/ y! d; s* q5 t7 [' F
32.                 if (UseUTF8CharSet)
    
33.                 {
    8 r8 z: Y9 f+ u
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    # M+ e0 c; K1 C
36.                         charSet = "utf-8";
    + x; M+ h! \+ K/ q! G7 e
37.                     }
    ' d5 T& ?0 [4 `7 N
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    2 o# Z. r% V$ `% B- }3 G
42.             }
    
43.             catch (Exception)
    % m9 j$ |0 R! f5 B' V+ \
44.             {
    0 F. y0 X! M3 F; O  W: n( {
45.                 strWebData = "error";
    * Z8 l4 |8 U$ S2 k
46.             }
    ! K  w; C2 Z: ^: w
47. 
    
48.             return strWebData;
    7 N6 {1 [4 n% c; i( m
49.         }

复制代码

PowcAncn

weishaneweishane