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
- n: R0 ^  D0 B

李小冲

1. #region 抓取全站链接
   % r" g$ ^0 r1 B: T: K7 r! S) l
2.         public static List<string> GetAllHref(string url)
   
3.         {
   1 z4 n  j( `; `2 _) m7 g
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   9 t; I5 j+ ?8 l9 ~5 {! x: A
8.                 if (strhtml != "error")
   ) v4 Q  b; R- H5 L' [
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    " C( [; |2 ^; i
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    ' ]' s# ]/ J' \" u
13.                     {
    4 ?+ ~) d5 p1 U) B& a8 q: ?9 T3 z. a
14.                         Uri uri = new Uri(url);
    ) q, M* L7 K; s% |9 \
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    + }$ _) _3 h: n& E$ _
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    
22.                         {
      ~7 w0 r( X! L+ w1 X8 c
23.                             fullUrl = thisUri.ToString();
    & q: v2 f" `' E. Q/ p7 h
24.                         }
    
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    5 s1 @9 h6 p' H1 G4 B5 r
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    ; J) a" p& S  ?8 |/ F7 a
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    
32.             }
    . k% ^0 z' \: W5 v7 n2 Y: a5 T, M( x
33.             catch (Exception ex)
    
34.             { }
    ) E: K& R) a' k) m- S6 ]5 v
35.             return allHref;
    
36.         }
    + g5 K4 G0 i) u2 F8 V" o
37.         #endregion

复制代码

; E9 }. M$ @8 q1 J! W( {

1. 
   " [# t& \' |  {$ A2 x, N) `' }
2. 
   
3. 
   
4. #region 数据去重
   8 r' N' j  v/ N& l6 w/ w  p3 \
5.         /// <summary>
   
6.         /// List<string>去重
   4 x4 C5 [% O" Y2 C1 x* }; N3 G
7.         /// </summary>
   . p% a# q) r0 h+ Z6 T
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   + O1 y# k! Y$ k& i$ }
10.         public static List<string> getUnqueList(List<string> list)
    6 ]7 z' ^! m3 P' D* y- T1 Q
11.         {
    : L8 V' Z5 K" S, ^2 O
12.             List<string> list1 = new List<string>();
    ' o( L3 F5 K2 s- t6 `# H
13.             Hashtable hash = new Hashtable();
    / v' l; d& r3 ]9 w
14.             foreach (string s in list)
      ^, }' U$ N# C; M) w$ X9 B$ Q+ C
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    : ~7 S+ R' A6 }7 C4 Y: m$ O+ n9 Z
18.                     hash.Add(s, s);
    ; j- J- N3 Q! _- ?7 T
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    1 R& U5 K) i- {0 k; ]
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    1 N& k( d. a8 T0 c
25.         }
    $ x5 V$ T+ ?: I5 U. Y
26.         #endregion

复制代码

  K% `2 @- Q+ {5 ^1 N+ Y2 v) z

guys

李小冲 发表于 2016-2-26 16:17

& Q) ?/ t4 r1 d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：
3 r' H4 h* o8 \

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.         {
     }: d$ x/ Z' q& b- S% J4 a
3.             string strWebData = "error";
   
4.             try
   ' Q  E. @& A! h' _; i& C) J1 X
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   . z( ]# J! u8 D7 g2 d  L0 |% Q
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
   0 c8 q' \- r1 g. E) @2 @7 L* N% `
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   0 f3 e; o1 l# [, h6 u
10.                 // webclient.Headers.Add("Cookie", cookie);
    7 B7 j; b+ z$ q& {1 y. \/ J
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)");
    4 N9 I7 O  p7 s
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    7 o7 b$ B. T/ H6 n
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;
    # p3 O* \7 H) w& ~/ ~) ]8 R( Q
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    . ?. k( i  t3 `: M8 `7 r! t
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）
    : _  X8 v2 m% r/ v7 A$ R
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    ( K, P$ O( }7 h$ L3 D. m
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    # }5 z5 m! z, ^6 W1 V5 v
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);
    6 n7 N. `- W, m
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    . z  q8 L  f9 Z" P3 ^$ \
26.                 if (charSet == null || charSet == "")
    5 q/ y& }1 {. R2 p+ U% H
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    , U5 I0 M: v! ?& t: v
31.                 }
    8 r8 l, u8 Y- G5 I
32.                 if (UseUTF8CharSet)
    8 C& y0 _3 Y" N- Z  y) ~, ~* l7 ^
33.                 {
      N0 S' Z( V" s2 S" `+ K
34.                     if (charSet == null || charSet.Length == 0)
    8 j: W/ q1 @# ?6 z, {8 b
35.                     {
    - ~: c7 B2 q* t4 J
36.                         charSet = "utf-8";
    5 |; Y& z  B6 i' W
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    ( ?+ h# G3 o# y. T7 s" g+ o/ l
41. 
    
42.             }
    0 g/ N5 b: s, X. j8 D4 u
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    - ^0 \; S8 H' Y
46.             }
    # ~" M% a! m+ V+ I4 E% R
47. 
    3 [6 @' }  }1 q1 Y
48.             return strWebData;
    4 e+ w7 }# D" h% G5 Y
49.         }

复制代码

* p% c6 V8 L' ^5 a, _6 {

PowcAncn

weishaneweishane