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
( l- t' p. g- j能自动去重复
0 I- I+ l5 }0 }' L0 [

李小冲

1. #region 抓取全站链接
   # i* I' H$ g' x! t3 r. v% ~
2.         public static List<string> GetAllHref(string url)
   ) l9 g7 Q: @0 M/ t. T0 G+ R
3.         {
   
4.             List<string> allHref = new List<string>();
   5 f, t! v8 O7 X' L# a* t+ C
5.             try
   
6.             {
   . |, V, z  P. q7 U8 Y
7.                 string strhtml = soso.getHtml(url, "", true);
   , |+ U6 l( E  j( d' M' V+ x2 b* Y: ]
8.                 if (strhtml != "error")
   $ W: G. W1 k) f) z1 }
9.                 {
   2 P+ A0 ~- t4 i
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    ) W  c5 V; X. F! @; U
12.                     foreach (Match m in mc)
    & L6 ?7 `8 f' L8 J  [0 T3 S# [
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    . f2 C) J" t6 F% h% p* Q
16.                         string fullUrl = "";
    : Y/ m5 w7 D+ G/ N# K3 P
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    * O) Y" A" Z: \8 d3 t$ P7 L( t/ t1 ^
18.                         {
    7 x' z. j; E% d$ s: Q
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    3 ~. ]% j" F# @
21.                         else
    9 [1 G" D. [6 k- f6 }
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    # @; f" [' L' N9 z: w( {) N0 P
24.                         }
    & }! Y% h9 j! x: P9 n' U1 E, d* O
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);
      Z: g% \8 }: d, ?
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
      d3 h5 _6 q9 Q5 J. C
30.                     }
    + ~% g4 W' p! S: V
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    - @* ?8 a. O3 D7 e3 l( q' F$ i
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

) g3 l4 e; L6 @1 C3 ~8 P
5 w9 u5 |. ?2 _

1. 
   
2. 
     Y: A$ g/ `! {( ~* H
3. 
   3 _$ \; S& h1 l# c0 \3 C
4. #region 数据去重
   
5.         /// <summary>
   1 n" T* L, N9 D' P7 N) w7 z$ k' F# E
6.         /// List<string>去重
   6 a" o, e! C" J. o  O
7.         /// </summary>
   * a4 _6 o  K# ~# q. u* z
8.         /// <param name="list"></param>
   % @. M8 i& U( @! h1 y
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    ; G+ X  Z9 g' d8 _+ b
13.             Hashtable hash = new Hashtable();
    ( @$ r5 w) W# w  ^, \
14.             foreach (string s in list)
    
15.             {
    - s0 f+ N5 |( `+ T# e
16.                 if (!hash.ContainsKey(s))
    2 D, ~' H; r- [% \( ]1 h. l
17.                 {
    2 R% e" U$ X; i0 }1 O0 }
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    
22.             hash.Clear();
    . T! T: t2 |% R, K7 ~
23.             hash = null;
    
24.             return list1;
    
25.         }
    5 c1 ^6 s1 N. L- S  C. F
26.         #endregion

复制代码

: n* D. Y9 B6 I  ]

guys

李小冲 发表于 2016-2-26 16:17

/ t' ?4 D7 ?$ j# L, C. _十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
* L2 c' ^9 i1 W5 K十分感谢！！！非常感谢！！

1 T& x- W1 X0 [1 ?: m3 `缺少一个gethtml,用下面这个：
. i0 y. r# b6 r' N8 j

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
   7 S! J- G, y# Y8 i. c/ I
2.         {
   
3.             string strWebData = "error";
   
4.             try
   6 C7 [5 a  K; n; V! n* K1 G
5.             {
   % c( n+ f0 D$ z3 l2 R) D- w0 U
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   8 ~2 V4 ~* u3 P1 V! z# Y
7.                 // 需要注意的：
   # e$ h* P, C, q3 j
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
   8 \5 Q4 R5 x) n+ t
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
    8 T7 X" q$ h: 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)");
    
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    
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。
    ! n7 e! n8 c4 R7 z3 V$ a
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
16.                 //如果服务器要验证用户名,密码
    * d, @9 J6 o1 }! N7 I; E, i
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    6 c7 ~6 s! c$ a" b7 q6 P: S/ ?8 \
18.                 //myWebClient.Credentials = mycred;
    3 q+ o, e6 I: p+ F# F' m: b
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）
    ! d; b8 Q* u7 g3 D7 r$ \
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    * O5 q- Z. Q  g" O7 X
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
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);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    - k8 d; q* ?. j( S3 c
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    4 a/ k$ p" q* n/ G# G2 @7 e
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    % T6 S: A6 _, E& x8 X6 ?
36.                         charSet = "utf-8";
    
37.                     }
    + w% i& E) C$ Z% x
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    " l8 [* l3 }9 T
42.             }
    
43.             catch (Exception)
    8 C) J' w" a* v# R6 o9 N# n
44.             {
    
45.                 strWebData = "error";
    8 S2 K$ f4 [2 `) ^* w, `8 ]
46.             }
    ( T9 X) P: X: ~) [6 l
47. 
    & }2 r4 r( U& r- T
48.             return strWebData;
    $ Y# ~' F& W2 Q; [( z' _( m" m
49.         }

复制代码

- q2 U! W2 Y( S  L" {" t

PowcAncn

weishaneweishane