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
; p. j9 I3 ^5 S( g比如：
http://a.com/b
http://a.com/bb.html
  F6 v0 K  t) q9 d. ?$ \. E能自动去重复

李小冲

1. #region 抓取全站链接
   , \; p# Y1 Y" d% f
2.         public static List<string> GetAllHref(string url)
   * H) N7 ~! R) g+ i, k
3.         {
   ( c$ ~( M, ^2 H4 u. |' A
4.             List<string> allHref = new List<string>();
   
5.             try
   " F# n" m( c; j3 Z
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    : s9 g0 {. v( y* B
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    ( ]+ s  {) B8 C
13.                     {
    - Y9 K& t1 N' {# N# o8 F8 I4 \
14.                         Uri uri = new Uri(url);
    ' s2 p( T( H& o& k" J
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    . _, x: ?+ h6 [8 m; H+ r
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    % v! U! B  l0 U; s8 \7 a
20.                         }
    4 _. p4 V5 M; ^2 w0 D. q2 S2 `
21.                         else
    ' J  S/ H2 k9 o7 e
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    7 a9 o+ ~, P) e. m0 q; u
24.                         }
    - k& m6 B& P3 n0 ^# H2 g; {
25.                         allHref.Add(fullUrl);
    4 ~  F' t. T! ~8 o% C, e. U3 q6 e9 }
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    5 Z0 |) B6 N/ D+ Y4 j
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    ! s3 E% |  R' s; A( S6 k
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    + T5 {7 p% f8 }1 b3 O2 u
30.                     }
    
31.                 }
    . E+ ^6 b) \, r8 t' b
32.             }
    9 j) G/ ?. K- O( F- ?+ E
33.             catch (Exception ex)
    7 c, J9 p2 r( R. Q
34.             { }
    4 ?: j+ ~. m& `0 e
35.             return allHref;
    7 S/ @& k( X3 W/ x! A
36.         }
    
37.         #endregion

复制代码

  R3 D+ t% ^% H: }

1. 
   . |/ D% p  m& f, c% J
2. 
   1 W3 @3 Q* s0 H' ?* Q( [
3. 
   
4. #region 数据去重
   $ P9 y% P2 l( W) k
5.         /// <summary>
   
6.         /// List<string>去重
   + P8 @4 v1 t2 l8 e1 q% J5 K, L
7.         /// </summary>
   0 q6 a6 A  @) t1 e
8.         /// <param name="list"></param>
     l2 T* ~0 A8 H; c3 N$ g
9.         /// <returns></returns>
   ! v# Y# E) x/ O
10.         public static List<string> getUnqueList(List<string> list)
    7 T. s, h1 _! n( p: z2 o
11.         {
    ' \/ [! Q. T) A; ?& p6 i
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    , k$ K) A5 T9 j# Q, K
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    8 L1 ]/ W3 b- k2 {' U) o
19.                     list1.Add(s);
    3 D, Y/ C1 C2 c7 D* j3 ~# }  f) K! r0 u' v
20.                 }
    , b9 R# |: V6 P% r1 r+ \
21.             }
      a( Q' Z4 s' X
22.             hash.Clear();
    ' i3 m9 e$ g4 [5 w- d$ Q
23.             hash = null;
    
24.             return list1;
    8 H" d1 @* t, ~0 J
25.         }
    
26.         #endregion

复制代码

$ `/ D& W4 o! D' O2 L% e

guys

李小冲 发表于 2016-2-26 16:17

) S# A7 m$ b  f0 a$ Z8 X: y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！！

- Y5 D0 \0 e1 i( d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.         {
   
3.             string strWebData = "error";
   
4.             try
   & M, S7 w: o7 v: f0 K2 F
5.             {
   8 Z8 t; x7 I) G$ H3 s
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   ; b9 Y, l9 q; _; e
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
   " t% U# v0 K" g2 ?
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   " C0 G: m: K5 [
10.                 // webclient.Headers.Add("Cookie", cookie);
    & d; n+ K; E7 P" \( K8 g
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)");
    4 i9 A6 a6 m6 ]$ X9 J) Z
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;
    
16.                 //如果服务器要验证用户名,密码
    & Z* c! ^1 ^& z" [4 a4 u  Z6 i- V: A
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    % Q2 `# B6 i6 `3 h: c
18.                 //myWebClient.Credentials = mycred;
    8 j2 N8 j& U& Y0 ?" X- D
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）
    1 T$ ?8 ^0 ?8 h; {: a
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    ( n5 \7 X8 l7 k9 U) r
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    , U6 R& e) h" @* e( _" r7 h
22. 
    
23.                 //获取网页字符编码描述信息
    ! b! F7 S/ {# R# y+ ]
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)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    & ?/ t' p- C! s+ l% ]
32.                 if (UseUTF8CharSet)
    
33.                 {
    ' X" H8 G/ a* `% A# h
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    / W+ E# M5 i: o- S& t% b: t
37.                     }
    ) q0 E! q+ E) u2 H. O" W
38.                 }
    , [9 c, A3 P) `! S' {" r
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    $ X9 B9 S0 G8 Y
41. 
    & |! g) E$ k2 o6 H% W7 B! a0 ]
42.             }
    
43.             catch (Exception)
    
44.             {
    & R0 D" d5 g, u
45.                 strWebData = "error";
    - J& K, K. k/ `4 x( H7 @2 N( u0 ^! \
46.             }
    3 p3 D4 ^% B+ H2 w. u% Z
47. 
    $ o0 Q: I& O4 \
48.             return strWebData;
    
49.         }

复制代码

& C# X1 ?1 f1 s) a) K- U

PowcAncn

weishaneweishane