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
1 w) E0 c& ]/ l; i% p- mhttp://a.com/bb.html
能自动去重复
3 |5 G& C' J$ e  _

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   + _. q2 D1 V2 Z+ N4 @, A
5.             try
   4 p4 e4 q" C/ b) }) d, o
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   4 J; E- V; g' f( S/ E3 N8 J5 v
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    * p2 J0 Z. i; B" b$ k: M( Z  p
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    
13.                     {
    8 F* [, x/ _: `7 c
14.                         Uri uri = new Uri(url);
    0 D+ Y8 ?' k% l% d
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    . J2 T9 q$ o& Y! ]6 G* b& A
18.                         {
    9 s( ^9 s  ?5 s
19.                             fullUrl = m.Groups["url"].Value;
    9 u. P2 J' [. V- V3 P
20.                         }
    ' e9 z7 _1 N; d/ I$ L3 k
21.                         else
    , E& @2 L4 C( |
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    . s8 p4 _) N! m9 r) o# ^* V& j( Y
24.                         }
    
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    $ O6 E. J/ c0 f2 K% M3 c
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    % @  `$ E. i" a* o% D' v% t0 R, X
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    / ?( n1 q4 z3 F6 S
29.                         //Console.WriteLine("…………………………………………");
    ( Z1 j- e$ h7 ~! q# Y4 J
30.                     }
    
31.                 }
    
32.             }
    ( P2 S9 i$ ]% Y6 v" u& b, Q
33.             catch (Exception ex)
    6 v1 o' r+ U8 F
34.             { }
    4 {" c- T% x- b, L4 ?: I
35.             return allHref;
    ' E  A. |* a2 ]. O. Y
36.         }
    
37.         #endregion

复制代码

" ^6 W9 V% H* H" h: c0 x. W# Q

1. 
   
2. 
   
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   " h; u0 \, A5 r( V9 r& ^0 A4 t
7.         /// </summary>
   : ?1 i8 V4 f# o" J7 ^, X1 C9 t
8.         /// <param name="list"></param>
   & `% y& M* a4 e+ `2 {! S6 B6 C
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    9 t0 W) p* j- c7 y
13.             Hashtable hash = new Hashtable();
    7 K& Q3 C  p1 [$ H
14.             foreach (string s in list)
    
15.             {
    0 o" T; k  w8 ?/ M2 G; T
16.                 if (!hash.ContainsKey(s))
    - _( H2 J8 A/ m  Q; Z
17.                 {
    9 C" N4 d# l1 S' {( S
18.                     hash.Add(s, s);
    ) w. }+ f. |' I: p9 h
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    + ?: {5 P, E+ ?2 Y. x3 l
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    
25.         }
    1 D9 V- i% V$ c
26.         #endregion

复制代码

( }! d# m/ h& @

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
$ W$ I0 o, l( u7 ^3 D; s: I$ C十分感谢！！！非常感谢！！

9 z/ m  \" v1 r2 D& O缺少一个gethtml,用下面这个：
3 t8 W8 \9 k! ^, q

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.         {
     q. s& W% X) I! j4 ]
3.             string strWebData = "error";
   
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   # l3 Z/ C4 y  S: s
7.                 // 需要注意的：
   9 S, x, \. t* `! E8 Y0 c6 P2 }0 l
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
    
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+ f. e( n# I1 h2 V0 d; n
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;
    6 t3 E% [" J- s1 X! j! g
16.                 //如果服务器要验证用户名,密码
    , K" V; ^! d1 S. _
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
      Y. m, X, L* ?; L8 L
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）
    
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    5 ?6 U/ M: L; g
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    7 T# l+ m$ C% ~! X6 e
22. 
    ; N* M5 G6 w; O6 J
23.                 //获取网页字符编码描述信息
    . ^$ W, C& B/ J6 j
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    0 b2 E" d- E- u5 R
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    ! `1 X  v( {& h, x' B* J; H
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    ) t8 \% f5 s7 N- h5 e
28.                 if (charSet.Length > 0)
    
29.                 {
    7 l: O& Y9 K4 s! C& m8 Z
30.                     charSet = charSet.Replace(""", "");
    " A5 e+ s# |1 C3 M& R
31.                 }
    ' j  b7 V7 y7 D  z) p* G
32.                 if (UseUTF8CharSet)
    1 z) B) s9 c( b- d9 X8 A
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    * E! t5 p. k  B  l- `( w, I
35.                     {
    / c/ @+ G( Q) a0 x4 e* p/ S  E
36.                         charSet = "utf-8";
    6 z0 F* J( D# m2 T: d  s
37.                     }
    
38.                 }
    # U# A: D7 ]& J* c0 w$ c, M& V/ e
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    7 f$ @8 |9 d6 s# R/ |6 u
45.                 strWebData = "error";
    
46.             }
    ; A7 p3 `. z+ k8 P, L+ c3 x
47. 
    9 }  l6 o+ v) ^9 c
48.             return strWebData;
    , ^! k( h7 q' j1 @" H3 `. t9 ~
49.         }

复制代码

1 ]  {% k" X4 \9 h- M! l$ Z+ T9 T

PowcAncn

weishaneweishane