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
能自动去重复

李小冲

1. #region 抓取全站链接
   - \' `) G6 V' J, }  n3 |2 M' I
2.         public static List<string> GetAllHref(string url)
   1 {4 k( F$ w! K- P( o5 M
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   0 }: I7 d: ~  }: |6 N
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
     ?: T( M3 W8 P6 U5 P( m
9.                 {
   0 b( \, p. b$ X$ `( P7 \( n, o" d
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    0 C6 R' E! e; _$ v
12.                     foreach (Match m in mc)
    
13.                     {
    " ?) u9 B# u9 C* K
14.                         Uri uri = new Uri(url);
    ' m# J7 \; T/ Q: Q# q6 b1 @
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    2 f* _  q- z: G8 h4 u
16.                         string fullUrl = "";
    ; o, p( W  O/ Z! P8 c( D
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    , n7 d& U- W7 C
20.                         }
    . [; K5 A; ~3 `, a
21.                         else
    
22.                         {
    & l3 g+ E1 K3 R, [- v8 @5 W# C3 `
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    ! T2 h: w" X/ o/ r* ]' S$ V
25.                         allHref.Add(fullUrl);
    / E9 D4 m; C( r% x
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    ) H$ _6 p4 r2 J! N7 H& l
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    : Y" s2 m5 F+ f( y8 v% |& Y, d( X
30.                     }
    
31.                 }
      F2 w  j, Y1 g
32.             }
    / @8 p  P1 [3 C/ ?% W
33.             catch (Exception ex)
    " u' y# Z7 O3 w+ U$ |  g/ E
34.             { }
    
35.             return allHref;
    3 V9 o4 |5 j$ w# f* s6 H
36.         }
    3 f. h; ?$ y2 c5 o5 D# C
37.         #endregion

复制代码

4 }5 q4 j& E' O+ o

1. 
   % P& R2 S4 `" C( {; y* f
2. 
   / v9 N4 G" }7 l" @0 G$ f
3. 
   ) G! z* ]: A; H# d9 m2 ~  d
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   + y; m4 {; k; a2 j: \+ t, z+ w
7.         /// </summary>
   
8.         /// <param name="list"></param>
   7 S$ `/ h0 s+ D+ X+ M- ?0 N( U
9.         /// <returns></returns>
   * E8 O; F7 c7 H. i) W
10.         public static List<string> getUnqueList(List<string> list)
    $ x# E" u1 M* \1 h7 J/ O* n
11.         {
    
12.             List<string> list1 = new List<string>();
    ' T( J2 x  I9 Y1 t- }: \6 @
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    + V) Z2 w( }5 m2 S; v7 a
19.                     list1.Add(s);
    % W8 r* O2 C" y  Z* c( w
20.                 }
    
21.             }
    ' q& b: }" `5 }+ e/ [- B: c0 B7 _' Q
22.             hash.Clear();
    : z+ C& V" v# a% i
23.             hash = null;
    
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

9 Z9 q; L' B9 @$ j- M7 U( Y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！！

3 S' `4 `0 o( Q, K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
   $ }* o' C3 B9 A- C
2.         {
   0 G6 K' [6 Z% F, f# v: ?* N' b. ]
3.             string strWebData = "error";
   # \5 Q1 [  Y! Q1 n# D+ _
4.             try
   
5.             {
   7 ?% j' ?( H  H6 {
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   / {( t, i1 `2 o, }
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
    
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)");
    0 M$ U. r. ^+ o
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    : y' g" p- e! u' P, ]( Y
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。
    6 ?; W$ I  d/ i( x9 {( h
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;
    
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);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    ' Q2 [" e0 Y) O, W7 Y8 \
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);
    " T& ?( p. Z/ I5 u5 d  R
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    ' ]! J! f5 ?0 W! L# M; n
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    $ K$ ?! }- J3 V' _: m! R1 ~
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    . N2 L( A2 w0 t( ]& d" }0 x9 @5 ~0 K  `
35.                     {
    : y/ U) S/ @( W: [
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    & F1 d( K: B9 V' j9 r
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    
43.             catch (Exception)
    5 D# q9 U5 b4 D* E
44.             {
    . ^" O' Y. e/ v8 N
45.                 strWebData = "error";
    
46.             }
    
47. 
    
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane