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：
, y' S5 r* g+ P' F' E4 ?3 O& `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
   
2.         public static List<string> GetAllHref(string url)
   ' \9 W& f% z$ u8 J
3.         {
   1 o0 z" W) [' K  X# Y  |' E
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   7 B1 j/ v/ ]- t( ]3 i; r" b& s/ z
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    & `& |* s) Y3 l! J8 ~7 ^) ~6 h  _
11.                     MatchCollection mc = reg.Matches(strhtml);
    1 S9 L3 q6 u! \/ z+ O
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    . w# J) g2 @8 T  {/ S7 S/ p
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    6 j# X$ P- ?; b, F4 W
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    . I% _. L1 R" h/ N
21.                         else
    ) F5 Q- H2 N  O. `) M
22.                         {
    & ?! {8 E5 d9 h% l
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    5 I6 x7 \: |; v' Y$ p
25.                         allHref.Add(fullUrl);
    1 R7 |( ?  {9 j9 Q
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    - W% u% i9 d1 C) S# R, ^
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    9 |8 E$ i) I8 D
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    + R; l+ J4 T- m7 ?) N. c6 O2 ]
29.                         //Console.WriteLine("…………………………………………");
    ( r& Z% N2 N+ n+ |8 P7 z% i8 `' O
30.                     }
    7 L8 u, A9 Y. S4 T: z( H  Q9 y
31.                 }
    
32.             }
    5 p1 \9 {7 D! O! A8 q+ v) ?
33.             catch (Exception ex)
    " m- Y/ z2 i- u: P: U
34.             { }
    / V4 w$ V" q/ i: Q" `* Q0 K4 S5 o
35.             return allHref;
    
36.         }
    # y7 _: T7 g0 E2 v7 U" ]( l$ w
37.         #endregion

复制代码

$ k3 W6 Q: k* v4 d4 O
# ~, l+ k0 W; o- b! L" t4 u

1. 
   + i3 X% S! T  m" e
2. 
   
3. 
   5 M0 j$ h) W# n& {
4. #region 数据去重
   * j, D8 `! E; x! a9 R
5.         /// <summary>
   - s" w# `6 Y8 l1 w. U
6.         /// List<string>去重
   ' D+ Q0 g, \; k: v( T6 h
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    8 G  L5 n( M$ [# V
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    
22.             hash.Clear();
    2 B" b) `, X+ a: X
23.             hash = null;
    1 V& k) d1 i5 [# _
24.             return list1;
    3 R1 ]. w# t" j: I7 \! @, [* z, a1 u; u
25.         }
    
26.         #endregion

复制代码

2 _9 e; B6 q: ]& |& G# v( b

guys

李小冲 发表于 2016-2-26 16:17

0 _& j3 ]9 S0 s十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
1 f0 R* y/ p5 s1 R十分感谢！！！非常感谢！！

缺少一个gethtml,用下面这个：
4 l( \8 S9 |6 |  {1 I  \1 h& g1 ]

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.         {
   
3.             string strWebData = "error";
   1 v8 g% a  }* E* ]% `+ F3 M/ W
4.             try
   1 X% ]9 v* Q/ V/ l* @
5.             {
   ' G7 {6 y$ }/ r
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
   9 ~7 ^% j% i5 z5 p% c
10.                 // webclient.Headers.Add("Cookie", cookie);
    6 |% e2 b# w7 P- G1 f9 U
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    4 q# v1 J1 Z2 }; l5 E3 g: h
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)");
    ) l4 G, H( z. e& g3 y( T
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    7 ]3 o! N( V! D# t
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;
    
16.                 //如果服务器要验证用户名,密码
      }4 w6 R- o  _+ S/ X7 p
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）
    2 ]; b7 Z8 F) U- o2 c6 h& R# V
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    . \4 X' `" ~4 B: E" Y8 C2 O
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    6 T3 {) B2 M, @" e
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);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
      M3 s; j, Y  N8 A% |$ C. M" A
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    2 o; Z8 ^7 N, f9 A! L. T0 ?$ N
31.                 }
    
32.                 if (UseUTF8CharSet)
    2 E/ `. F2 n6 u
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    3 f9 @) N" U3 d) _) X5 h$ Y% x
35.                     {
    : X% Q' T! H0 V+ @* i6 H
36.                         charSet = "utf-8";
    1 R( c+ G+ E7 h1 X# w4 |+ P  K
37.                     }
    
38.                 }
    $ }4 w$ Q  j& s9 @$ _
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    ) r+ X% s/ T% U( ], _
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    % B3 w! ]0 N/ K/ f; c) e; W( z2 d7 q. Z
41. 
    . a: u1 A0 ]* g* E4 P4 _4 u$ a6 v
42.             }
    7 X- @6 w5 a6 B( v  A
43.             catch (Exception)
    1 }9 T: b* {' Y4 ]
44.             {
    
45.                 strWebData = "error";
    0 D. _7 U) u& W( T/ H
46.             }
    . O0 {5 h9 P$ _6 K7 J4 T" _4 a
47. 
    
48.             return strWebData;
    
49.         }

复制代码

1 f9 P6 r5 M) G  P+ `
  P; ~, u" A' A& f

PowcAncn

weishaneweishane