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
2 O5 L9 ?2 G, ~7 b& Vhttp://a.com/bb.html
能自动去重复

李小冲

1. #region 抓取全站链接
   0 L$ \9 Q6 O5 e+ T8 @6 Q* |+ X) O/ O' q
2.         public static List<string> GetAllHref(string url)
   
3.         {
   * Z- h% [0 l& `
4.             List<string> allHref = new List<string>();
   
5.             try
   * e5 a# g# X) T8 F$ Q: R
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   + o+ ~+ A. _, C. s- m1 p* t
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    0 c3 c# y& M& c7 N! D
11.                     MatchCollection mc = reg.Matches(strhtml);
    8 a+ e: n8 ]! P5 H! q
12.                     foreach (Match m in mc)
    
13.                     {
    / ^7 i# _+ `. s9 q5 D
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    $ x) Z) }& t: Z/ B
16.                         string fullUrl = "";
    * p0 {* I7 Z+ |3 J4 M# W. T
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    ; Z- p$ U: g" N2 ^% Q
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    & H  q/ h! j5 U! f6 s" E6 f: A
21.                         else
    % K0 E% N$ i& A& m
22.                         {
    ' n: n% l5 J% m2 h! o
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    ' |- o' }1 R& P. N. h
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    ! w/ a8 w) y8 @# B! G6 E" B* V
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    / k" |+ a# D- r3 }
35.             return allHref;
    
36.         }
    - n7 N& C4 W7 S) x1 e0 o/ P
37.         #endregion

复制代码

: p9 i1 k3 F' v7 b4 i! e

1. 
   
2. 
   $ W% c# g) C. e7 Q9 v# r' w
3. 
   ( ^% J4 z, ]' t8 h. j
4. #region 数据去重
   ! |& V4 t& a1 N( M( C- Y6 F  H
5.         /// <summary>
   " e& X% n, H- J. d" d) H
6.         /// List<string>去重
   % a+ |% ]. W# b% P' s6 s( W* z
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    ( x. b2 H* q& X9 D! p
12.             List<string> list1 = new List<string>();
    3 H+ g' F  r% b1 b# e
13.             Hashtable hash = new Hashtable();
    : M9 q- M3 r; ]2 _, R( x: R2 C
14.             foreach (string s in list)
    9 H: [; N' F- c
15.             {
    : m( a* D; z! {; x( F" D
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    ! z1 w) a& }  O9 I/ P. X
19.                     list1.Add(s);
    & b3 @/ E9 f2 G; F; k4 P
20.                 }
    5 \4 U% {* e3 S' E( g1 n% l9 a
21.             }
    
22.             hash.Clear();
    : E* l8 D7 Z+ K0 r- @" ~7 D9 w4 W
23.             hash = null;
    8 @( O. z  s. X; G! S
24.             return list1;
    # Y- d6 G  D2 S; I; d2 k
25.         }
    / c; P% T4 t& O+ J; S/ L
26.         #endregion

复制代码

3 [8 o: q% L7 ?7 D: B+ y
3 f/ q4 a3 z# X% B

guys

李小冲 发表于 2016-2-26 16:17

+ d5 e: B; S; x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！！

9 g0 c" w9 `! l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
   
2.         {
   
3.             string strWebData = "error";
   - H- C) W! f: a5 B2 E
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
     A5 W; A" z- m7 D" Q
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
   % M/ v/ t2 {+ J' V* e7 }: R. N
10.                 // webclient.Headers.Add("Cookie", cookie);
    + {. V) b9 V! U! K/ o
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    2 f  u" Q  i: {) a# e; O2 I" Y
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)");
    , Q/ H" G- \- d4 w
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    , C+ ~1 a/ a; s' a  ?4 D; u1 i
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。
    9 \+ U, r# }! `8 X4 P; @
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
16.                 //如果服务器要验证用户名,密码
    4 d" r! _8 F  @7 B2 G
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    % h3 W) z9 L6 {, p7 k- W6 Z
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）
    3 H$ s* A  f% Z/ i0 e9 \
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    ' U  x6 ~% W1 C7 E( S4 |( T2 F
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);
    & N8 t' c" X# M# M& P' Y" N4 I
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    - \$ M8 R% v8 H
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    " n8 T) a4 `3 C, q8 ?5 g- W4 o4 O
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    ' z, u# U% J5 A
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    / x/ p" [5 N3 g( P  g
38.                 }
    , Z4 t1 T* X* f, W, @4 {
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    9 x- k: A: `+ s  h
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    8 k- M+ G/ h( F1 L$ y% X4 x: C
41. 
    
42.             }
    : R! l, T" v! X4 s1 `1 `
43.             catch (Exception)
    ! g+ C8 H* _1 |; s. G
44.             {
    : w) h4 ~6 ?5 f- T
45.                 strWebData = "error";
    
46.             }
    
47. 
    / Q. \1 T* X2 }* C2 C% e3 M
48.             return strWebData;
    
49.         }

复制代码

) j# H, ~' u6 {; g1 g: v  C* {

PowcAncn

weishaneweishane