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
& j- y; o% Y- S1 ~+ G2 y; ~1 I比如：
http://a.com/b
' I3 @) m* ~8 ~8 g- i! whttp://a.com/bb.html
能自动去重复
0 g  u$ }: e/ O5 P  ?

李小冲

1. #region 抓取全站链接
   0 q4 I. M: G5 M
2.         public static List<string> GetAllHref(string url)
   
3.         {
   - i& f# E2 Y5 M6 S
4.             List<string> allHref = new List<string>();
   5 h* V8 G, Q$ Z% R
5.             try
     H7 I! d. p: c
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   $ A8 v1 t/ c$ H& z  z
8.                 if (strhtml != "error")
   
9.                 {
   3 d  R- Z- b" g2 [8 U8 Q
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    1 f9 @! G0 j; d# r: y8 Y  g7 T
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    
13.                     {
    : ~# o0 [9 |2 d5 ^$ ^
14.                         Uri uri = new Uri(url);
    ' O- Q* @6 K4 r- T
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    $ c  A" D. J2 B! u2 o2 `! v
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    8 W. }, H; E8 b4 g+ ?2 V
18.                         {
    3 ]& T: R4 B7 \3 w- G
19.                             fullUrl = m.Groups["url"].Value;
    & C+ u" p' N- T; T( [
20.                         }
    8 g, _6 k  O9 G. Y( {. H
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    % {# ~, |8 A- I) U  g4 Y5 ]* e& y
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    2 g, K0 Z9 ^  j  D7 C, F; i/ q
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    ' g) R' _6 v9 a4 g0 ^0 s( G
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    ! z& u/ B* w2 V9 ~8 q! ?, ?
29.                         //Console.WriteLine("…………………………………………");
    8 i2 I' K) ?6 H- j
30.                     }
    
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    # N" |6 t  b, b3 V: X# P  u
34.             { }
    
35.             return allHref;
    7 ^& G8 K% J! D/ T9 ?
36.         }
    
37.         #endregion

复制代码

1. 
   , I( \: ^4 A; P3 g# I  H  M' A
2. 
   1 F( m( g& i  h
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   - {9 u0 t4 L+ E1 Q) k$ P
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    . f' `. q6 C3 r0 N+ S$ i
11.         {
    : v9 m1 v; P" R/ z9 e
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    , a) U7 G% v- k; r
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
      t! N$ I' Z. w  A  m) ?
20.                 }
    1 p2 L5 U6 X6 f( D
21.             }
    " y" T1 `; Y. {6 |& W& Q2 W( i
22.             hash.Clear();
    8 C( x( U/ O, f
23.             hash = null;
    
24.             return list1;
    1 n* ?, W! w# a/ m- B5 B
25.         }
    - b# J1 j8 R) Y) v7 e9 [
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
0 B3 X5 Y! C8 R& q: J十分感谢！！！非常感谢！！

  t( ]0 z2 s% Q( X/ Z4 ~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.         {
   % L0 z6 y  ]  L( V
3.             string strWebData = "error";
   ) r8 g3 n0 R, T, R8 Z* j! g
4.             try
   * c! L4 j- p+ E/ Q4 N
5.             {
   " k( R) l6 h* \6 k8 r5 P
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   9 {' j7 b* i) K$ g6 z
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
   / Q) _0 n- j% ?/ K
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)");
    : }- U# S. L4 C
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。
    
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    ' W. U( N# r( I  M
16.                 //如果服务器要验证用户名,密码
    1 z, w+ e: v  Y: ?$ [7 j" X3 ^
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）
    
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    : p8 k/ R8 ?% w, a' t2 o$ g8 l
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    ) R$ H$ k) K; V) l
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);
    + j1 M' z2 G% E( ?" y
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    " g3 R5 J! F( \/ y* _( @
26.                 if (charSet == null || charSet == "")
    9 O8 J- j/ r2 @, a
27.                     charSet = webCharSet;
    # ]( W1 h. z) o' y0 X, R1 P
28.                 if (charSet.Length > 0)
    4 r. t2 }0 g. e, f+ w; z
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    : `% I8 R" j3 K' D' c6 G
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    9 ]0 E4 V3 N. i- X" T/ E8 J
35.                     {
    3 u" P" E) R. S, u0 A/ {
36.                         charSet = "utf-8";
    
37.                     }
    4 I9 i0 D0 u" r6 P* G7 u
38.                 }
    / R+ f- `: g2 N! y
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    * l0 Q5 P. `4 t8 E
41. 
    
42.             }
    / O1 ]' n$ f7 r
43.             catch (Exception)
    0 V0 s' u% C' R
44.             {
    2 W, k0 {* X' [) }
45.                 strWebData = "error";
    
46.             }
    
47. 
    
48.             return strWebData;
    2 P6 d7 X/ o6 I' A) |
49.         }

复制代码

PowcAncn

weishaneweishane