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
   " E* O. R/ B' f% R
2.         public static List<string> GetAllHref(string url)
   
3.         {
   ) l' I# @+ f6 k: U, Y) o1 n# @& h
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   ! A' j6 U" u; `9 Z
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    $ L( E; _1 R' Q2 n
13.                     {
    1 E/ E: Z5 ?3 b
14.                         Uri uri = new Uri(url);
    & M; g  c2 Y, t  g! J
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    " n6 b/ Q: F2 Y1 f
18.                         {
    % A1 y6 x+ e/ Z- z% C
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    ' N6 T( m) f0 G& w5 ?
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    ' f: y: U, p, F0 V. `
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.                     }
    % v( d6 @  w) z# c4 g+ s9 ^
31.                 }
    7 x/ K; G! Q$ _# g1 t$ i7 G
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    3 O1 z6 \- c2 ]8 a- |& A& e9 \+ S
35.             return allHref;
    6 ~* i+ B0 E/ @* I' M
36.         }
    
37.         #endregion

复制代码

1. 
   6 F1 k8 ?- n8 s4 ]1 W& U
2. 
   
3. 
   * W2 n" q( l  Y* h
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   * a. |* T6 |/ W+ o6 X
7.         /// </summary>
     c+ N' O( |: f4 o
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    5 e" c& }) w/ s* c( F, b, K4 C
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
      E; ?2 y8 L: u. ^
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    1 h) S  J; \$ w, J5 [
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    ; M, l5 I  X7 X$ V# x- r) v
24.             return list1;
    " @4 U5 M2 D. B. f1 c: \
25.         }
    . a5 c" M5 h( H1 Q6 W! q7 A+ Q
26.         #endregion

复制代码

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！！

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.         {
     G$ {& v+ |2 B4 W8 p& K7 O
3.             string strWebData = "error";
   + k1 _, }# o; M% Q. {
4.             try
   7 @# o0 S7 F, H5 z1 r7 ?
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
   3 c/ a2 P% O, m! b2 ~) f
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)");
    . o% ~) |& ~- w( O( g; ?1 i
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    1 n' z& H. k3 b* O6 R
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;
    9 l7 x& B$ O: C2 X. U4 A# v0 ^
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    " z$ u0 U  p1 R' ~
18.                 //myWebClient.Credentials = mycred;
    & e3 k# l( i, l; o
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. 
    % y4 M& X* F( E2 _
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);
    4 W6 n* A7 [+ |# i
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    ' q  E) n; p' H6 y# W
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    ! Y8 p3 D3 e6 n, Y
31.                 }
    
32.                 if (UseUTF8CharSet)
    : O4 K7 z4 I5 }9 D# m5 X! X: W
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    ! l# r. [5 d; c
35.                     {
    
36.                         charSet = "utf-8";
    7 C6 o8 g4 D( A6 c9 u
37.                     }
    
38.                 }
    7 [6 I! v2 C6 o% n
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    8 Q7 b8 T* @& d/ R& h
41. 
    
42.             }
    
43.             catch (Exception)
    0 E: V- O" ^4 P$ z' {( S
44.             {
    % u# r% G/ ?7 F) d+ D& j
45.                 strWebData = "error";
    
46.             }
    7 G5 b. q4 \+ T, I& {; x( O4 H
47. 
    
48.             return strWebData;
    
49.         }

复制代码

) ]" k, D; b5 U; |# V" P) S# d

PowcAncn

weishaneweishane