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
  m* r! Q+ E4 U比如：
http://a.com/b
http://a.com/bb.html
5 p* D% \: i% \" G# c1 m能自动去重复
6 }/ O/ _! N; ~% l  Q6 z* Y

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   
3.         {
   9 N+ S; Q/ k$ J& p
4.             List<string> allHref = new List<string>();
   
5.             try
   ; y- N9 w; p. J( j
6.             {
   7 h: L" V$ {$ j$ N$ y
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   $ d2 |# q) w! S
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)
    
13.                     {
    : G8 k% s( [& x0 @% `3 f- ?& p
14.                         Uri uri = new Uri(url);
    ; W0 N2 B+ Q7 j) j  F2 r
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
      v* T( A1 |4 s
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    5 R" ^! [4 @7 }) t
20.                         }
    
21.                         else
    
22.                         {
    1 A) P6 z& |" ^, _8 m3 [: r1 F* v; W
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    * F) W6 a9 d) Z/ i6 b
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    4 |$ \2 R. r" P1 j8 _. X$ T
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    ! \' u0 n8 y* W
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    $ U' R9 L- O/ a& k# S
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    ( i2 m7 B" T0 [3 R0 o7 o1 V7 G
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    0 p$ E  z+ I' c: _
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

1. 
   
2. 
   
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   ; i7 `: V0 x  v* V& n, T
7.         /// </summary>
   
8.         /// <param name="list"></param>
   5 {! {" q( V' f" n: v
9.         /// <returns></returns>
   2 T4 c. [; j5 k# a  D8 n% A, M$ D0 J; p. ]
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    5 A) {; ^2 }& g5 n9 d6 ~' D7 b6 D
14.             foreach (string s in list)
      V3 i) X4 \! n7 e8 @7 V
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    0 ^8 A3 T! F: N& G5 l  m
19.                     list1.Add(s);
    ' U) L4 E: p6 q: H; P
20.                 }
    ' u$ b* R3 }  k7 t" w5 V
21.             }
    7 ^8 D1 P; x0 ]  U* d
22.             hash.Clear();
    : Y0 {8 x9 v. w* M5 d8 G
23.             hash = null;
    ' _! a: U; b6 B* m0 V
24.             return list1;
    3 y5 }$ t0 Y& R; v
25.         }
    9 Q7 r2 E$ c! }6 d8 J
26.         #endregion

复制代码

- L* R5 q* M6 x- q

guys

李小冲 发表于 2016-2-26 16:17

/ i; |0 b" N' ]% ~0 i) d# l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！！

( C* s5 x0 m' r4 _$ B缺少一个gethtml,用下面这个：
5 ~  S3 q2 j0 O, X( ~

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
   ' h* `  ?1 p0 e
5.             {
   
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
   / w$ L' ?& D8 j4 r2 v+ b, I* V/ Y( J
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)");
    / y) ]7 Q- c8 \4 [5 a2 |2 L8 Q
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。
    # v6 Z: o! o6 }
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    * D3 D, i0 M6 r
16.                 //如果服务器要验证用户名,密码
    + O& s% v7 G% V4 N4 u% m
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）
    5 `9 u4 q& D% f8 s1 i$ z) q
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    5 Q) }. _. |/ k5 G8 ~5 K
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);
    : y4 I# `: s; L. X& @- _6 a1 s3 J  g
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    / ^! r3 S8 ~4 v8 q( |1 Y
30.                     charSet = charSet.Replace(""", "");
    % z' c, s) w& U8 f1 Y" {! F
31.                 }
    0 V+ S' t1 v. y7 h- q# Q
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    4 u7 F' X. W0 w  V  o+ ?
35.                     {
    * e, _4 _* F+ _0 W4 r; _8 m1 u( @
36.                         charSet = "utf-8";
    + z0 W. c% O& s$ W
37.                     }
    " e; {) p: Q3 @& P7 _: x
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    
43.             catch (Exception)
    ; K; C/ w, |* w6 r: R2 i; L
44.             {
    
45.                 strWebData = "error";
    * T# B8 u- i4 f
46.             }
    
47. 
    
48.             return strWebData;
    # n8 J; R, W) F- x9 Z
49.         }

复制代码

; }: F( M3 i" I/ F, F
' H1 T( N3 t2 v( J/ r8 S$ c

PowcAncn

weishaneweishane