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
& z2 a& o  w" u, n) S能自动去重复
8 s1 n9 S! B! V( `- D( R" V9 H

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   
3.         {
   5 ^3 M) F# M& g( e6 l' {% x; c
4.             List<string> allHref = new List<string>();
   0 ^: Z# `) \  v$ H, s; F8 s% u. V6 p
5.             try
   7 r$ J6 }  b, G. h  z5 ?
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   0 I3 e  f8 Y3 E+ N8 ~  C6 R
9.                 {
   " @4 `4 x5 Y* D+ N6 s( @3 c% ^3 \
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    5 i% j8 \; l3 }. ?
12.                     foreach (Match m in mc)
    
13.                     {
    8 b! J4 L7 E7 T' }
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    : H: V: |. c. ~: f
16.                         string fullUrl = "";
    , W& G& }9 u" v( @5 {3 D; Q! {
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    : U% b3 T1 l; l7 F, I& r
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    $ P& t# K0 r' U. Z
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    + `: m  U4 O& J
24.                         }
    5 F* l+ H+ l' _9 m7 z! x1 a
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    / v/ T5 V8 @2 v1 E
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    ! U  X& h. B$ x
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    
32.             }
    5 h. X& E4 @0 B" g, G& N, w! V
33.             catch (Exception ex)
    
34.             { }
    ( K6 p/ H0 m( [6 b7 v4 r
35.             return allHref;
    , {2 v$ {$ X+ H
36.         }
    
37.         #endregion

复制代码

2 B* y; Z# w$ X: v1 w) b8 X- s& H. e

1. 
   
2. 
   8 |7 H# ]! m% y% ~
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   5 {; X% w9 ^# t' r7 K( X( W% q7 C
8.         /// <param name="list"></param>
   , ?. v& s$ b7 b; O$ x+ a# d
9.         /// <returns></returns>
   * ^' E. R( Z6 G3 S) B. S
10.         public static List<string> getUnqueList(List<string> list)
    8 @% }+ j& P  C* N/ n
11.         {
    1 _6 B1 u5 o% U0 }( z
12.             List<string> list1 = new List<string>();
    $ U5 [7 B& j  Q$ K
13.             Hashtable hash = new Hashtable();
    ( q& p* j% L7 j9 T/ L
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    : x7 B) D; h6 U& B
17.                 {
    ) ~% {4 t! ]2 {- k
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    1 b' v" T7 {9 j9 y3 C
20.                 }
    ! _8 ?$ Y2 _" i9 ^2 K6 W
21.             }
    $ M! z, z1 K$ Q$ I! Q* q
22.             hash.Clear();
    , C8 F# e8 Y9 I( g5 h
23.             hash = null;
    
24.             return list1;
    - h  w, I; U; _, Q0 w
25.         }
    ! W( t) R( R4 u/ F9 f5 j
26.         #endregion

复制代码

+ r: w1 @. t; M
; S" i' j" q2 Q8 ^" o# O

guys

李小冲 发表于 2016-2-26 16:17

7 p  A% D* }; N+ j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！！

( G8 h& p. x$ P9 E缺少一个gethtml,用下面这个：
- Y1 W, v# p4 c+ S$ @. `

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.         {
   8 u$ R$ W( f6 I5 @
3.             string strWebData = "error";
   , O* Q' f  K/ P! p- U. X
4.             try
   
5.             {
   6 X5 u1 l9 w, X3 n6 U  z
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
   $ W4 t% ]2 a- Y$ c
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
    9 |! N% ^& b+ h8 M: X$ F: A5 N- c! B
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)");
    5 {  X6 S5 b$ V# i) Z/ n
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    % R% C) d1 z; K0 N& q6 ]! U0 j
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;
    ' W3 f6 u9 U' F7 D( d
16.                 //如果服务器要验证用户名,密码
    5 J$ ~0 i" R7 d: l6 K% t( a4 Y* g
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
18.                 //myWebClient.Credentials = mycred;
    : |, A! _* w( Q
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);
    & @* y  t) o3 \/ b8 J3 ?) `9 f1 j
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    6 o  y  _0 T4 F
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;
    # K7 i" X: |2 X6 `# ?
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    * W1 X. _5 r) C# w( Q+ f
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    * l- r) @% ^. D2 j! i2 ]& ^
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    # _2 G" E, J5 i; t+ u4 s8 V
35.                     {
    
36.                         charSet = "utf-8";
    $ C' _, v9 b9 ]+ w7 q
37.                     }
    
38.                 }
    2 r  ~3 K) [2 F
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    - n1 z1 l  c4 ~1 J: n
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    5 h5 H9 G+ I$ u
42.             }
    / B  D6 y, D0 ]; O  L
43.             catch (Exception)
    + k7 ^+ B: x/ Z1 m8 g
44.             {
    ( @# e' ^1 o1 n
45.                 strWebData = "error";
      z7 U$ x5 q* x% m
46.             }
    
47. 
    
48.             return strWebData;
    
49.         }

复制代码

9 Q  U& V! [( B6 X( h: m: V

PowcAncn

weishaneweishane