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
5 q" Y  H9 @1 A2 _* uhttp://a.com/bb.html
能自动去重复
- O" k* R; q/ f  x3 C, @( C

李小冲

1. #region 抓取全站链接
   % E& d( O  e# N( y1 R' ]
2.         public static List<string> GetAllHref(string url)
   
3.         {
   3 Z1 D8 `3 z# r9 P4 w2 [* y2 H/ I0 N3 @- i' I
4.             List<string> allHref = new List<string>();
   6 Z% ^* [6 R5 a; L# a( _
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   " O! o' V  N( i6 L5 b
9.                 {
   , m6 P# H) n: [5 b
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    ( o$ i: g3 d( d( j; g# ~9 P* J" d
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    2 t8 |# ~! ^# N; O& B7 i
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    6 [' c& r9 k, g7 @) U$ n5 a
16.                         string fullUrl = "";
    ) `. U- W6 u/ ^
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    # @- x; O4 c: O( q
18.                         {
    - t8 ^6 C/ B) n$ K0 k
19.                             fullUrl = m.Groups["url"].Value;
    " [+ I& p- O. ]. w+ w& o
20.                         }
    ; P/ i% ~. x# `
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    ) W% f7 D: u2 i7 \: j5 x9 _
24.                         }
    $ X" `# Z/ y! h! b% u" a
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);
    , b4 [* g0 u# n: G, y" l
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    0 E5 F3 f. u1 o' R( N% K9 O" e5 {. T
29.                         //Console.WriteLine("…………………………………………");
    % E( r: k9 D' ]( t
30.                     }
    $ ?# ~5 L& ]; B% i
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    
36.         }
    5 U- S( u1 h- R' ]* a
37.         #endregion

复制代码

1. 
   
2. 
   ) E2 B2 }" L& X
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   1 z. v; T2 {, K* E/ k& w. _. u
7.         /// </summary>
   
8.         /// <param name="list"></param>
   7 l# P4 j5 Z% {2 {
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    ) r+ h/ j0 @! a
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    . z' g& ?1 w; }9 n
14.             foreach (string s in list)
    4 m6 q3 F" ]3 Z  V& w8 h
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    2 y& e, V4 G" m- X% Z
19.                     list1.Add(s);
    ! s2 P1 M: t0 q* f5 r+ e+ M7 U% C
20.                 }
    4 @# ^' W* i+ @5 D* d0 X8 S
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    
25.         }
    " J1 n% ^+ B. s( Z5 z7 i
26.         #endregion

复制代码

7 C* _' c: I( y+ F$ _3 `- c( W
: G) _7 ?0 z' Y; X7 q+ k

guys

李小冲 发表于 2016-2-26 16:17

. U1 n2 N" k/ o" Q8 F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！！

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
   % @# s4 i- n( \. l( k: N$ Q
2.         {
   , A0 A" I3 \3 Y
3.             string strWebData = "error";
   
4.             try
   
5.             {
   4 m) I* K* e! f9 p: e; y
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   ! A" M, A/ @$ H8 N
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 `0 m/ g$ L6 D3 I* l0 s% j' c. i1 K
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   ; H7 P# C6 P5 H0 o, K7 t* x
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
    ' a* p( |- Q* c0 G9 N$ T0 m4 D% E
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)");
    ( N6 x1 S  K# J4 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。
    - H' Z1 _: T  H4 {* a( M  d# |  ^7 M
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    / g+ ]0 X0 |  n+ `( y1 l
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
18.                 //myWebClient.Credentials = mycred;
    ' M2 i4 x  _7 T% C2 J
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);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    8 l" l6 ^% D4 \9 P: p
22. 
    + E4 W" j) X+ [; J# o
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);
    # u/ y) ]5 R8 B* \4 U0 t$ y, \7 k
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    9 j5 m2 A# D' C# v1 g
26.                 if (charSet == null || charSet == "")
    - X+ k3 X5 R  o% x
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    % j  w7 r" r6 k) M& D* }4 I5 L/ F! o# @3 F
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    . i) w/ g( P  y# P% a
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    $ @" T+ D4 ]' o3 Y) `
38.                 }
    " w3 P8 f2 E9 O. k: w, G
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    ! l2 x! H$ I! b
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    % c! U* G, y! t) D
42.             }
    5 }6 d8 P& U+ X6 ]. c4 Y2 c
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    
46.             }
    ! J% s' |4 w* N: M
47. 
    % w8 D1 t* |+ v- w
48.             return strWebData;
    
49.         }

复制代码

/ o8 X1 K- y6 ~4 U

PowcAncn

weishaneweishane