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
8 k# a' |( `# m比如：
http://a.com/b
http://a.com/bb.html
能自动去重复
1 S: p( {3 z! g

李小冲

1. #region 抓取全站链接
   : b( o) m- q$ o6 y
2.         public static List<string> GetAllHref(string url)
   
3.         {
   % L: E. R: t. |7 w' I/ T4 C
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   : v/ o8 h: q# D  d+ R/ R
9.                 {
   # a3 k3 g7 F, y. X, ]4 _, a& @
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    . w$ y0 m( O3 f. B7 V/ D
12.                     foreach (Match m in mc)
    9 S% V  j! h! Y. N; F
13.                     {
    9 I- g0 z+ o) i1 Q# W1 d) n" b
14.                         Uri uri = new Uri(url);
    ! L& ]" x% Q2 Y! m8 `4 q
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    6 ~7 s' C0 Y: t' u) T# I
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    4 a' ^$ R- ~# v* P8 T+ T
19.                             fullUrl = m.Groups["url"].Value;
    6 k; _( `5 T& D: K
20.                         }
    9 m1 n+ y4 D# C( X' Q  h
21.                         else
    3 u' f% I  O( h6 i# j4 h; `% J4 ?- b
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    " p1 D/ T/ K' C$ A: l) @: z
24.                         }
    4 i( o4 I9 N* B5 a
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    1 u6 B# f+ g( k; a
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
      U7 k2 D1 V0 _" C! Y4 R. A
30.                     }
    
31.                 }
    ' n# e& \, D2 p; g8 Z
32.             }
    ' z& }3 u7 E: Z# j7 ?# ]
33.             catch (Exception ex)
    
34.             { }
    2 R7 m. {- v* J& d7 r$ G: J
35.             return allHref;
    3 F) U# S+ _4 o. z" u1 {( m
36.         }
    ! j+ F+ B$ [/ l3 ~, g1 j+ D
37.         #endregion

复制代码

" ]( t' `! @  ~% V! _

1. 
   , m/ h: r9 X- a+ g! f2 E+ X8 x
2. 
   
3. 
   0 |+ s$ e8 d. r- {+ R1 t& {! g
4. #region 数据去重
   
5.         /// <summary>
   6 x/ n* X' h4 s/ Y: a0 u* F- d
6.         /// List<string>去重
   " f7 E& ~' c5 b3 m. S
7.         /// </summary>
   * T) @& C+ D' U4 E! v  \
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   5 J1 A; x; T) F8 O! v
10.         public static List<string> getUnqueList(List<string> list)
    / H9 V, z; Y0 [
11.         {
    
12.             List<string> list1 = new List<string>();
    2 K( B9 F# ^% M% d7 }
13.             Hashtable hash = new Hashtable();
      M5 v, _; M2 A) |2 Y3 {
14.             foreach (string s in list)
    % s0 c  ^2 s; [
15.             {
    " m* L# X+ [' i- x1 l- b
16.                 if (!hash.ContainsKey(s))
    # k2 y5 d3 S2 C
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    ; [9 ^0 l' ~. i; ]" F: J# _  E2 N
24.             return list1;
    
25.         }
    0 [  N1 |! n% s" O$ @
26.         #endregion

复制代码

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！！

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
   
2.         {
   " m' g2 M& b  M& Q$ z, Q6 g
3.             string strWebData = "error";
   . g# [* d" i. P
4.             try
   
5.             {
   7 j/ M; n* N5 A% c+ r6 x. |$ Z
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
   
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
    . ^# w- r0 H; Q1 D' D' Q( h% T
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)");
    & t+ F% j7 Y0 J: T5 e2 Q
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    4 t! Z; q& _* i1 E' K
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;
    ( e1 S) I$ [, s
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;
    
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）
    0 f( I. N8 o3 s9 k
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    2 B& N+ |' |- Y6 W) p% g
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);
    2 `  Z4 ~1 P+ m9 k0 K- R
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    0 Q: m& G& N2 R
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    # [0 r+ R6 o/ ^3 I& h$ a( H
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    4 Z8 J. j% r$ L) k* f$ H
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    * O- S- m3 D7 T+ n* j
38.                 }
    
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. 
    , B; }1 E+ o. \& Q1 J! g5 n2 s4 W
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane