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
) j, O/ M4 x) U- O2 G: X8 [8 U5 e比如：
http://a.com/b
http://a.com/bb.html
能自动去重复

李小冲

1. #region 抓取全站链接
   ) u6 P& }. o4 }% n# k# G
2.         public static List<string> GetAllHref(string url)
   
3.         {
   ( X/ t( B8 c, v9 V
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   " x: `2 \' _( H0 b9 c- \- b
7.                 string strhtml = soso.getHtml(url, "", true);
   : K0 g9 n: N) ?7 I1 p1 B
8.                 if (strhtml != "error")
   
9.                 {
   $ d6 A6 j4 X$ _# J
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    - B4 K  @; E5 _; @+ n! V0 N
12.                     foreach (Match m in mc)
    
13.                     {
    / c: n2 f& _, o: {
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    & ~, N, c: J8 a/ }
16.                         string fullUrl = "";
    ' O3 Y0 u0 D, `; q7 a$ {
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    4 j* Y; [! H9 c, b# E  U+ `2 V
18.                         {
    " d1 ?0 \2 O* F+ @; w6 }
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    & o. J% k. |0 }) X* _: d, ^* r
21.                         else
    9 n" I7 Q% S" R' z- `8 n# S
22.                         {
    4 {/ n$ J+ ~; C: H7 Y( s
23.                             fullUrl = thisUri.ToString();
    : `! t$ H0 q$ D
24.                         }
    
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);
    * H) }; m4 X/ k6 U7 c
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    " ~* G3 Y9 Y0 {) q" {
32.             }
    ; o- s3 Z* s& |: z, t7 X
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

1. 
   
2. 
   * N1 R, B5 x9 C2 |- q5 _
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   * B. \7 e/ I7 Q% [
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   . F) Z1 _! p+ f0 Z" z4 X( S* s
10.         public static List<string> getUnqueList(List<string> list)
    " m4 z5 g# O- ]  [
11.         {
    7 D. p1 j- T0 s
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    + ^; x3 U5 M" n4 Y( \; E& ~
14.             foreach (string s in list)
    ) ]- D, C2 P9 a( k. c- ~
15.             {
      f0 V5 B* F0 g' f- t
16.                 if (!hash.ContainsKey(s))
    5 ?2 u1 z/ d2 g1 [  R
17.                 {
    # w% u, N& t- I% l3 P
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    
22.             hash.Clear();
    1 r! p7 A% J* q# Z
23.             hash = null;
    
24.             return list1;
    
25.         }
    4 L- H( C' Q- ~3 X) u( O
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

% W+ m8 y, Y$ r2 v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：
' t! z1 N/ f2 [, C) k

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
     y( A+ P/ J' N4 ]( [% p
2.         {
   ) {, S) K7 @/ O5 T: i
3.             string strWebData = "error";
   - @3 a- E6 z( e: D0 g4 \) P- n
4.             try
   
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
   
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   1 T3 s, i8 s1 B5 \4 X3 ^: m3 K/ _  a
10.                 // webclient.Headers.Add("Cookie", cookie);
    5 Z7 ~7 I9 N0 o! p
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)");
    
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    $ }# y6 |/ {( [
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;
    
16.                 //如果服务器要验证用户名,密码
    4 j: p) n1 V8 F- u+ Z
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    / D! V# h5 j6 u4 v& O+ s$ d" [
18.                 //myWebClient.Credentials = mycred;
    ! ^! {" i+ X- t' O3 Y- ]1 g
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）
    0 y4 O) b. ^* S* g2 m1 Y
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    8 ]# c: d) D2 Y- Y) J
22. 
    
23.                 //获取网页字符编码描述信息
    1 Q8 F1 t% ^  Q2 B, \3 L
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    & y% ]3 V6 Y. f+ r
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    ) S$ X# h, }) [' Q
30.                     charSet = charSet.Replace(""", "");
    & g" m* g7 k  t+ i' a9 Y
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    0 }, c( X/ I7 z: R' n8 R
37.                     }
    
38.                 }
    * S, Q" F% B7 D6 D' i9 F
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    2 v6 T: f0 H9 p) {( a+ B
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    ( [4 ?. r2 U, o2 J4 @& `
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    ! n( E9 r: {0 s9 M. i: S+ j- B& K
46.             }
    % j2 _& z! O/ b. O+ ?* _( `
47. 
    & \- \) a9 z- m/ [) H* G
48.             return strWebData;
    - Y9 c7 d7 i' d0 s" U- K( ?
49.         }

复制代码

" x% J8 ?1 }' l+ B5 u% |

PowcAncn

weishaneweishane