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
" j  V) R' T6 N  v. v8 g: ?9 J8 thttp://a.com/bb.html
" h, Y  z  s. y; q1 I6 ]" @5 d$ y能自动去重复
: s; K  Q8 S# Y# l

李小冲

1. #region 抓取全站链接
   ( h9 x% S' S$ A" ?
2.         public static List<string> GetAllHref(string url)
   0 L! B) R* i; [$ c( c$ V
3.         {
   9 q$ W/ d8 {+ X0 d( G3 [1 t/ x! m* S
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   / ^* r8 h9 J8 Y+ r9 |* _: `  W
7.                 string strhtml = soso.getHtml(url, "", true);
   7 |, j& R* B+ e
8.                 if (strhtml != "error")
   ( K3 V- Y& m3 z( k4 x7 ^
9.                 {
   
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)
    3 A" K# U- }# a0 T& e( l7 p
13.                     {
    ! Y; z3 |1 w7 p& y7 v+ h$ Z
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    : D8 ]8 b: I- u  T
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    . X! v. `5 W+ o2 ]/ v  B' r
24.                         }
    
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);
    $ F5 h6 _* h+ F6 y7 H* K! `
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    4 Q$ B. a3 t: d2 b
32.             }
    & ?# _8 g! P# i1 m0 A, J
33.             catch (Exception ex)
    ) M; N+ w# W7 Z' g+ R7 E
34.             { }
    ! L  S3 j' w2 J! |0 @: H
35.             return allHref;
    % {. W+ I' w6 D" U" J
36.         }
    # L! E9 W- [5 z2 u& P9 B
37.         #endregion

复制代码

1. 
   
2. 
   
3. 
   1 m# E3 M3 t5 ]( v+ _+ b
4. #region 数据去重
   8 w! K) e' i: C/ D
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   : C5 K: E. [5 {9 v) B+ J
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    ) j8 B' h( I7 ], i: r: p
12.             List<string> list1 = new List<string>();
    2 B* q$ ~' z/ B" b$ ?% H
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    + u* \0 [) ?5 k0 _
17.                 {
    
18.                     hash.Add(s, s);
    4 W7 k- x( E) O, P+ Q8 b
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    - ~% k$ Y4 H5 @; U: t
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    
25.         }
    1 S' {' Q5 j. k" O4 g2 a- T$ V
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
$ n) {! n' S1 K0 e+ i4 _十分感谢！！！非常感谢！！

: s. p2 v2 k$ n; Q, Y. r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
   4 a7 w, G: O8 l8 ~6 J
2.         {
   - o; c7 r! }' @- U
3.             string strWebData = "error";
   8 b) s- F1 c1 t- I; E6 \5 V* S5 W
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   6 x$ f6 {# C( w4 ~2 `
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);
    + L" o5 ]' y# ^. {) ]3 }7 I
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)");
    : ]) F0 J2 n5 y1 t
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    7 w  |0 [9 l# }
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。
    ( ?. K( ~4 x" u0 \4 H
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
16.                 //如果服务器要验证用户名,密码
    ' F/ [( A0 c9 w/ n: W
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    6 r2 F* ?9 }( L( I* o3 N; B
18.                 //myWebClient.Credentials = mycred;
    7 k! n9 h) T" P6 Q# H
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. 
    8 R# [  U0 {1 B. _3 A
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 == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    7 t3 l3 {9 t1 Z" s  }% N
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    / T& ^; w/ O, ^' O6 Y  t0 f0 ]! D0 x0 ^
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    . K+ |6 o( G3 I! o7 p/ b( i9 y' @
35.                     {
    
36.                         charSet = "utf-8";
    7 h  O4 l5 ?2 @8 {* q
37.                     }
    ! c7 K, {, N$ I8 m( d
38.                 }
    / s6 |% J. H" H: ]
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    / r3 l# j  [, b5 D
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    0 v/ j8 {) O- `' d+ f0 ~" c
41. 
    , d6 U4 v& L. q" J+ ]
42.             }
    9 i$ ^! j9 I# _) z# L) I( f
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    
46.             }
    
47. 
    5 R6 X6 U. W/ D
48.             return strWebData;
    
49.         }

复制代码

7 C  n! f$ |) Q

PowcAncn

weishaneweishane