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：
# y  j- Q" r( h! R4 R- g% [" {http://a.com/b
http://a.com/bb.html
能自动去重复
% V- Y  \/ b! X* q3 ?

李小冲

1. #region 抓取全站链接
   5 ^* m* Q6 F! [. ^# P
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   " Y6 f* R7 l' T4 F5 c
7.                 string strhtml = soso.getHtml(url, "", true);
   ( x* ]2 N8 E- p" t" O/ p
8.                 if (strhtml != "error")
   9 z8 b3 r1 s# Z8 \' N' B" B7 d
9.                 {
   " e8 M! R6 E# H, u. _* e( \/ L
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)
    0 n! C$ J1 j: @) q+ N( H% v4 T  j
13.                     {
      g2 }& J' G) W9 Y7 q) P% {3 J' n
14.                         Uri uri = new Uri(url);
    ) Q, K& W& m" t' u# j
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    7 G+ y6 A  s' \7 `% D
18.                         {
    & z3 `7 I1 X" V# n- s  t% i
19.                             fullUrl = m.Groups["url"].Value;
    ! U. i! H6 R6 \+ y1 Z
20.                         }
    
21.                         else
    ) }0 D8 \* q7 g0 I
22.                         {
    ' w* K4 z& Y3 S( F. l
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    $ ?* X1 ?; D# L- G
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    # C( G0 d( f& h1 H. F" Q
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    # R' G( T1 |  ^- y9 F$ P; v+ R
30.                     }
    
31.                 }
    . y) H# s- A, W' S3 u" ]
32.             }
    , Y2 G8 M2 ~9 J
33.             catch (Exception ex)
    # ^% }: b) }$ r- }  N8 O
34.             { }
    
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

( O" Q3 g! U/ n# e3 f

1. 
   
2. 
   - u* q1 h& N& k7 w% i8 P2 k
3. 
   " I; C2 d4 _# R, b- X
4. #region 数据去重
   ! }5 B8 Z5 {/ E# V8 H
5.         /// <summary>
   & A% F  m5 e; v( a  W9 f5 f
6.         /// List<string>去重
   3 S6 g9 f3 k1 Z* X# ]+ U- N
7.         /// </summary>
   
8.         /// <param name="list"></param>
   2 q5 W, X0 Y& Y7 y
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    ' |  I, C- A3 R4 R
11.         {
    
12.             List<string> list1 = new List<string>();
    4 z' L2 b' c  v: F$ h. [
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    $ Z) ]" Z* u% s$ b' F
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    
25.         }
    # X! e- F8 G9 F; X( E& ?, X: O! A7 j
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

, a: m; q  {8 D* l' ^) t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！！

5 `9 h. l9 P+ k! t1 D8 g6 @2 X$ Y- u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
   3 U7 \; l% h' E, R2 |, ~# I
2.         {
   
3.             string strWebData = "error";
   2 X  }) q' b- z; V
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   / ^- a* L- I$ M' y5 X6 Y
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
   3 Q, c. b# m  y( a9 s0 _) b- C
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
    ( Q0 l" P, o* p5 q% U
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)");
    ! `3 E& R1 T  c; N9 M# i
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    9 N+ r" I2 u$ x) }0 t. f# b) b
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。
    + D* W, Q5 G8 M) g; t  v$ f
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    3 A4 o  f. y  Z8 ~6 t) S8 Z( ?  x
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;
    
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);
    ; J3 @9 P$ T) o* Z& o
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    $ G" K" E8 V- Z  a! r, V
22. 
    
23.                 //获取网页字符编码描述信息
    $ n& z+ Z2 k5 f* L
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    0 T! _7 Q, ^4 t5 m; \
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
      C2 f  [  f' p& D
29.                 {
    " \  ~/ J" s- x* \
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    ' }* D" @. Y' h, F9 |
37.                     }
    . [4 y4 I% H: w
38.                 }
    / I/ g& T' W/ H
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    7 {1 j  a4 C6 g  z0 p& T! O0 m
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    * o" j) W* g  _* X+ \. e0 B
41. 
    + I: l* Q. D' v4 P' `
42.             }
    9 i( ?$ k8 ]# M
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    # m6 |5 X% n* K. j) y
46.             }
    
47. 
    ( g3 \4 k$ ~6 y6 L! }
48.             return strWebData;
    
49.         }

复制代码

3 G! n8 u' o0 s  Z2 N

PowcAncn

weishaneweishane