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
; X5 m* x/ _4 ]3 q2 E' N& f7 ]比如：
http://a.com/b
http://a.com/bb.html
能自动去重复
* F2 H: t4 y3 z- X+ S# {

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>();
   " |# p2 b0 J* {5 f
5.             try
   2 G/ Z. H; j  N9 {3 i
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>");
    - ~( I1 Q1 }9 A3 n
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    / o8 x7 D. Y  R5 u2 o* u( n
13.                     {
    
14.                         Uri uri = new Uri(url);
    % K* z1 g8 P4 P" w, @
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    . I9 _$ l" S0 v4 K" L0 }
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    - F. a5 I$ x4 a2 [( U
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    1 f6 B/ E- `7 p! S$ c7 o
22.                         {
    7 K; q. w8 s# s3 E$ R: @0 l
23.                             fullUrl = thisUri.ToString();
    7 f$ R* t. S$ l; {$ z, U( d
24.                         }
    $ {( ?5 _3 D& W$ d% Z
25.                         allHref.Add(fullUrl);
    ! T( B. l+ C: ]4 \
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
      U- T( j0 X, ~" a- g7 _! l
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    ( t  T  I# ^# e- ?& b% \' p7 D
31.                 }
    ) }: |# W3 G, o4 ]! \! U( p
32.             }
    
33.             catch (Exception ex)
    1 o. D; C0 ^' ?' D
34.             { }
      k6 W+ w! }" ]
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

+ a: ]+ |8 k% w+ N  c3 {% j" G
4 O" e& f: u+ O# [% {. w

1. 
   ; B2 M. X& u% R1 I& |: W& s
2. 
   0 W  y+ o3 \  z
3. 
   5 R% m2 v# D" R* |) D
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   6 z* c6 l0 Y9 a# d6 J( h2 m
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
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)
    / ?' u( j& F* Z4 `9 h5 `. I: E
15.             {
    8 v) L, G- {8 T8 S1 [
16.                 if (!hash.ContainsKey(s))
    ' c9 p7 G# e& l2 ~" [; W1 m) n
17.                 {
    " `3 L* e/ ~* l4 g9 e
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    8 X2 o  e* L# d
20.                 }
    8 b8 F$ p1 [* y) z( m# D
21.             }
    
22.             hash.Clear();
    / k, W: K+ P! P* N) ~' D
23.             hash = null;
    
24.             return list1;
    8 ~7 v9 E7 W, y  ?& ]6 X
25.         }
    
26.         #endregion

复制代码

/ C3 ?) ~  ?8 x5 X- i
' A2 w) R3 p' R

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
% O* A3 Z* v7 L+ {8 t十分感谢！！！非常感谢！！

缺少一个gethtml,用下面这个：
/ y; e2 s/ w' F; [

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.         {
   , Z# I3 l7 x  z& E8 a0 R7 L$ U
3.             string strWebData = "error";
   ! s) c. B0 E2 f! Y4 J
4.             try
   % \6 Y/ G4 p6 x6 y  R1 i2 P4 _
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
     {- n$ ?& W+ g  u) \7 ], i& g
7.                 // 需要注意的：
   4 a+ {" R* B5 w
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
   & P+ r- y$ C8 \. }) b6 m4 u
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
    - p" j( l0 i# M9 F
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)");
    
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 b! y. Q2 O6 l7 A! Q6 U3 q, n
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    3 I/ ~3 z; h, m3 d2 K1 W
18.                 //myWebClient.Credentials = mycred;
    # P5 V0 O$ T4 {; B" I
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）
    , B- j% f; H8 Z1 c$ O
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    " q$ I5 B5 m  V) D
22. 
    / h% s2 o: P; v1 M( E1 S3 n9 T, K
23.                 //获取网页字符编码描述信息
    2 N  l0 J! g# H4 u/ R( D4 }, T1 J7 p7 X
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    # g2 x6 I) u* Q7 d/ d, H3 B1 J
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    ; [  W. o$ P. `9 A" L3 Z" g9 w* \
31.                 }
    
32.                 if (UseUTF8CharSet)
    $ ?5 X1 D3 l# D' X" u* N
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    + E  k6 w- c- [- ^
37.                     }
    , B1 |( v5 t. ?# h6 B! b* y$ H: n, @8 K
38.                 }
    2 L6 \% M& X4 W' x
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    & [1 b4 x7 S! \4 w6 C( d
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    5 @1 z* y! ~  ~. F1 x, |
43.             catch (Exception)
    " q' m  A/ G# A' Q- d  j
44.             {
    # j6 B( r$ I# D2 I; d7 n
45.                 strWebData = "error";
    
46.             }
    
47. 
    6 u2 b3 R' e: c
48.             return strWebData;
    
49.         }

复制代码

& o6 z: Y2 Q0 h1 W2 \

PowcAncn

weishaneweishane