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：
: @+ j! s4 e( `. o4 Z8 M5 S9 R  z  {& Ghttp://a.com/b
: ?' `/ W/ C: f$ M' o$ q/ Hhttp://a.com/bb.html
  M( }: C  i& R. ]! p能自动去重复

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   7 U( u. S( e/ a+ `. t! P
3.         {
   . n  D9 [1 m  G: F* h( z& O1 h
4.             List<string> allHref = new List<string>();
     o5 i' M- w3 X) B4 E- @
5.             try
   ! U* N: p) F, `& ~$ M
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   . W% L; k. |4 M
9.                 {
   ( H# Q9 ]" z9 N
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    ( v  n7 V, ?0 G- V, P
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    ; q1 E3 {2 p; N! P: p* B0 B# j
13.                     {
    
14.                         Uri uri = new Uri(url);
    ' j0 l: H9 V0 I8 ~
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    6 o  J( Z0 M: u. L4 |' B
18.                         {
    4 A9 ^  t; G, }3 r# P2 ]
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    / g9 T/ S8 d8 u( L$ n5 S3 T5 @8 Z0 n
21.                         else
      g; b9 U# [2 P7 H
22.                         {
    0 v; M4 M0 y! P, R
23.                             fullUrl = thisUri.ToString();
    2 [& N( {* f1 c; {
24.                         }
    ) _1 e3 r% h, U8 Y# `+ i4 ?" ~8 g
25.                         allHref.Add(fullUrl);
    
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("…………………………………………");
    
30.                     }
    
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    # q* U' l: {0 ~5 ]* M3 _4 W+ I
36.         }
    
37.         #endregion

复制代码

4 X# j/ V1 Y) x; ^( {6 k) m

1. 
   
2. 
   : ?$ [1 C% D8 B, d
3. 
   & m' L$ z: O+ I. F' q) ^  H
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   * V( m' Z5 J7 ^4 x! o" A% m! o
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    9 J" @, }8 V6 C
12.             List<string> list1 = new List<string>();
    ) c' b. z: T. s
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    3 y& k/ O4 g) T9 v/ A
15.             {
    
16.                 if (!hash.ContainsKey(s))
    & z3 ^, ]3 s( f& f
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    # `0 K9 q8 ?* R* [
21.             }
    & v' p5 X2 a3 \( U# K6 Q
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    9 a4 V* N4 w' _$ E+ F) N
25.         }
    $ ]+ J$ P1 S: n. e: D! X
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

% [1 S, q8 K" a' d十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
  i( O+ I  L8 U十分感谢！！！非常感谢！！

0 u& o% q7 U9 n; b8 g6 \, y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.         {
   " h/ N9 R* O# B+ d( q
3.             string strWebData = "error";
   + G$ X0 O0 p  P, w, Y" F, A. r+ L9 m
4.             try
   
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
   
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
    6 v' `' T* [( X  _, f1 e* D
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)");
    " b, F( ^' f3 U+ e& F
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。
    * Z& d: Y: [& |
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
16.                 //如果服务器要验证用户名,密码
    9 ~; f3 K, x6 G& o0 _
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    4 R5 c" h* F$ u% F3 u6 m% [* v
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）
    - L! ?! |* w  r6 u# R/ W  F
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    
23.                 //获取网页字符编码描述信息
    ' p' b, ?- c. k& [$ Y
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    ' {3 A! B5 J( H8 I; m3 F9 l
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    , s. T5 ~3 I4 j- M
26.                 if (charSet == null || charSet == "")
    ( z8 \7 t  N6 A: @  K
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    7 K! l1 F! y- F, t/ v2 q
30.                     charSet = charSet.Replace(""", "");
    4 h0 ?  j6 {6 w( F8 S0 p
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    * k3 j7 u5 p; b( _
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    ' J* b1 W+ B; ]( O( K- P  b, {9 L: o7 E% C
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    6 \. O3 ^4 a+ s; ^
45.                 strWebData = "error";
    
46.             }
    
47. 
    
48.             return strWebData;
    
49.         }

复制代码

; d9 _" {( D! |8 _7 m2 r/ {

PowcAncn

weishaneweishane