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
+ m4 q2 X  F. t% K2 r5 ^比如：
/ U" a% Q- m% chttp://a.com/b
http://a.com/bb.html
5 P4 p4 `) I5 _  y$ n9 L1 {能自动去重复
4 P1 ^9 S2 `8 u9 y7 g6 w

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   3 ^1 H* x, J& h" T4 H/ T+ X
3.         {
   9 R) U' \' U& R
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   0 Y. [. i6 W1 f0 H
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);
    & H3 I% r  U% R& N( }: n) J
12.                     foreach (Match m in mc)
    
13.                     {
    # p4 U% ?" m5 t3 E$ l
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.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    5 L: R* G% k) W* x+ G6 d
21.                         else
    ) D/ I  I7 [. D' V  [* q
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    1 I) G3 x  ?' D
25.                         allHref.Add(fullUrl);
    9 o9 d- {4 A' B- d! I, }
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    2 J. T" S0 X% e8 b; Z6 a+ z( v, ]1 t
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    * u, S4 \6 m  l; h+ Z% o$ W
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

. ^0 D  q! L! e) T+ t

1. 
   
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>
   
10.         public static List<string> getUnqueList(List<string> list)
    & B% P6 P# r& R6 R0 h) F
11.         {
    4 D4 Y7 V0 Y% R1 l
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    9 H- R6 N6 w% V/ o
15.             {
    ) u: X! @$ A6 W; S5 ~! I6 }
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    1 G+ j. V  i8 l6 ~' ~/ M7 k+ A4 U
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    9 g5 v, c! ~0 l( m* ^' M" y
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    2 E( Z/ |' O4 o0 g6 y: @9 P
24.             return list1;
    
25.         }
    9 U! i" m% w" j' S7 P9 {* ]8 W
26.         #endregion

复制代码

; u8 u+ h- b# j; Q2 U# Q& v9 T9 |
! F1 A  k2 ~1 d; S  I/ g  ~

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！！

) [4 P, r4 T0 i4 @4 |9 b缺少一个gethtml,用下面这个：
  a: c/ h* c( h! ^

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
   & J4 @. R% W: Z/ y4 c
2.         {
     @( w# ]" L, d
3.             string strWebData = "error";
   
4.             try
   2 ~  T2 v3 e5 {0 R* ]$ [
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   ; @# f& d( C" }$ k3 L5 z/ J  X: s1 i) F! z
7.                 // 需要注意的：
   : j$ P, D1 O* v- G+ R4 h9 c
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);
    9 s: w7 a; `' `2 E/ M; T
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    ( F7 j) [+ y5 z9 q2 R
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)");
    
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    + u9 G3 \" r6 g: ~" q
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。
    ! s% @* g+ C$ u0 u$ r& g2 M( G( `4 _9 V
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;
    ) |  Y; r  Q8 u7 r% K
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);
    * P3 Z! D! I6 i& C4 j" D5 M/ M
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    4 v9 e) S5 |! }8 I1 f& u
22. 
    
23.                 //获取网页字符编码描述信息
      `- t- f* E3 @# q
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    ) |8 ]1 @9 K. V6 d' C
26.                 if (charSet == null || charSet == "")
    4 p0 s8 V7 m, o! c) S+ \, l
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    0 w) ^7 K5 W& F7 {
29.                 {
    9 `4 `5 T, @* I" s
30.                     charSet = charSet.Replace(""", "");
    8 v( p9 ?, b/ H8 ^- S6 I6 u
31.                 }
    # Q* V7 }1 k2 `5 o& Y. u: F7 p
32.                 if (UseUTF8CharSet)
    : f' W3 O- `+ d
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    5 n) z! |4 z! S# K9 s& I
35.                     {
    
36.                         charSet = "utf-8";
    : \6 g( s2 n4 m% t
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    + ~7 Q3 M9 ?/ q
41. 
    9 [- {2 m0 n% c' A4 v1 {  y7 o
42.             }
    . e) g5 A8 }' q9 E; X0 r5 ?+ B
43.             catch (Exception)
    
44.             {
    3 w5 w: J7 ^- y  E! N) N8 v- f7 a- ~0 q
45.                 strWebData = "error";
    
46.             }
    + i% c1 x4 V$ E/ n! y
47. 
    ' a/ z' |, Y% x5 u; J  d: M4 N, t. ^
48.             return strWebData;
    ( P/ `( `# O0 L9 C
49.         }

复制代码

) T4 o9 a  D  [+ ~, e

PowcAncn

weishaneweishane