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
4 V2 D8 p0 y0 o7 S/ Q比如：
http://a.com/b
http://a.com/bb.html
能自动去重复
! N" o1 G5 o, B' V# |3 f: v

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   
3.         {
   4 r& L8 m* |+ m; d1 o7 V! S, Y
4.             List<string> allHref = new List<string>();
   & R3 p1 |; O- N0 [" ]
5.             try
   7 C5 j; o" z6 @* R) K3 c8 e5 N7 x
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   3 |2 _1 Z1 _. D( G7 c! \6 l2 p$ f& ~
8.                 if (strhtml != "error")
   4 T6 M7 o( I' a" L4 o
9.                 {
   3 _* P/ m7 g' S5 j- A2 _
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)
    . B8 }0 B) j1 z5 O+ O
13.                     {
    / j/ d: E' x7 n3 P/ |
14.                         Uri uri = new Uri(url);
    3 Z4 F. k! |' t( u  \4 e
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    - a4 i8 e2 y8 |- K2 f
16.                         string fullUrl = "";
    , B9 x# k$ Q' @9 j0 a7 @
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    ; u% l* C2 D" O$ `4 Q/ p
18.                         {
    % H  ?7 R7 g7 Z2 s& d
19.                             fullUrl = m.Groups["url"].Value;
    8 Z* j5 v3 S* a  m3 S
20.                         }
    * F; n4 y! e7 t- H
21.                         else
    : l0 ~0 _, a  S9 r0 C
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    ) j  a. d+ b4 p8 B
24.                         }
    ; U5 P; g: E( X% _: S" N- b
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    8 d7 G! `5 A2 ]+ g' K
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    ) c; _+ Y, _% {6 P) u7 _$ l  e* f! q
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    1 x6 P" L9 q5 m( h
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    3 ]( I* k4 ?+ P; A+ v9 }2 u9 {: @! e
32.             }
    7 U/ M3 {7 Y9 l! W4 A$ Y( F
33.             catch (Exception ex)
    / q6 t9 q7 V  \6 H( O
34.             { }
    0 u; l, z) A( E/ x
35.             return allHref;
    6 O! ^- c2 ?- f- U% ^7 F9 v
36.         }
    % e# G5 V  V3 Q
37.         #endregion

复制代码

, K1 n) \% D' O

1. 
   ' {9 F6 d) I& M3 T1 m, v/ f
2. 
   
3. 
   ' R8 K  B! @: }0 o
4. #region 数据去重
   ( K: t- ~: r5 t0 P" f% g9 K
5.         /// <summary>
   - Q; x( {8 U" F9 i
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   . i9 _- ]1 ?4 a7 |4 \* I3 P5 x; W
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    7 L) Y8 S( M# E2 C- W- J
15.             {
    * Q1 N; ^. {) L6 K" q3 ?) U$ z
16.                 if (!hash.ContainsKey(s))
    : c! c7 C) ?" t
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    . B; j: i: \: }4 f) ~
21.             }
    
22.             hash.Clear();
    / W. s$ [5 g* Q. K7 a
23.             hash = null;
    / e) d; C9 T4 m' {/ ]; w
24.             return list1;
    
25.         }
    ' O" F& i; k& r1 S9 h2 r
26.         #endregion

复制代码

7 }$ C& k3 w1 [

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
十分感谢！！！非常感谢！！

/ v8 h# B& `4 u7 q' e; k' Z缺少一个gethtml,用下面这个：
" H& Z# H( s2 k' x+ a. Z

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.         {
   - {1 F. V) z0 i9 F. Z/ D
3.             string strWebData = "error";
   . b2 w! g; W* C% F
4.             try
   
5.             {
   ) x; \( Z9 Y2 {% `# P
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   # S0 M, x& v! Q' B
7.                 // 需要注意的：
   : G$ A) ]3 ^+ _1 x6 W3 w  q5 H  v
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.                 //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
    % ^' ?7 z8 d0 {# r' O/ b& s
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)");
    
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    0 ^8 X$ }$ G$ a
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。
    " S0 m' I! W0 d
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
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;
    0 F# {' B( m, E( L3 a0 K4 w
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）
    ; H: L" X' {; N4 N
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    
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;
    * }( S; t' _: v2 z
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    1 `+ U( K4 ?% Q+ d$ D$ {
30.                     charSet = charSet.Replace(""", "");
    , s9 |6 P4 H2 }! |. M8 _
31.                 }
    4 i) X2 G( B3 _$ q* n6 r2 O
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    1 b% S1 M, r( I  I& w
35.                     {
    ' w  d6 C/ G  w5 S7 b: J7 P4 N, f
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    / s$ b3 G2 \/ V. [( O8 ~5 K
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    9 n6 V$ R& j* @$ ?6 C
42.             }
    
43.             catch (Exception)
    7 C# i: z, I! Y! H; w. O
44.             {
    
45.                 strWebData = "error";
    9 E: k8 _4 H  y# H% O" R7 s0 g
46.             }
    
47. 
    
48.             return strWebData;
    
49.         }

复制代码

: G  A6 O: a$ W' _/ K$ f
  }, W& K6 S% X1 {; x

PowcAncn

weishaneweishane