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
http://a.com/bb.html
能自动去重复

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   
3.         {
   5 [( ?& a- u  Q1 v6 R
4.             List<string> allHref = new List<string>();
   . X7 Y  _1 n! f# S
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   # Z3 N% o( f; F: }8 L
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    5 Z7 U/ t' H9 M5 g
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    : z6 j7 Q7 l; B/ K
13.                     {
    
14.                         Uri uri = new Uri(url);
    ; m, g0 u0 I0 ?. e5 D5 l
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    6 M1 x. a5 K" a/ j: J
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    ; w1 B5 Q0 y& y
18.                         {
    # c! V0 k7 \: s0 B$ U
19.                             fullUrl = m.Groups["url"].Value;
    " D3 H9 G6 i  w/ k; b  z, I) L
20.                         }
    9 z1 z3 l& M; T# }4 g
21.                         else
    7 A% ?6 M$ p% R: g# p
22.                         {
    6 B# _. m# @- b* g, g$ z/ O
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    - Z$ D5 C- i7 M! m8 S
25.                         allHref.Add(fullUrl);
    4 k1 \, T! b, B9 u9 p
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    2 K3 a. L2 V4 |% U# f2 O! M6 _
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    0 Z/ \2 c" w8 i+ h5 `+ c
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    7 Z# h, s7 H6 d4 _2 J$ `- Q- d
34.             { }
    
35.             return allHref;
    0 S1 z( ~  S+ K7 _$ O
36.         }
    8 O( r- X3 u- _' K2 M8 e# U" @# h' j
37.         #endregion

复制代码

! L3 l7 D, O$ V! W7 R

1. 
   ( d! |0 F0 ]5 D& g5 [+ U
2. 
   ) H! N. T8 Z2 A" }; e% A# y
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   % R' \- o  G' h) p- N4 H- g2 \
6.         /// List<string>去重
   ' w, ~' Z' T* D# E- l/ `) X
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   : i3 B9 n( x  ]8 C) p
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    1 Z: f( k& v) c* u' K; t
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    . d# G# K0 Z! {! A: F
20.                 }
    
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    " p, O- k9 i1 C3 p
24.             return list1;
      g# N+ K& M. U: W
25.         }
    
26.         #endregion

复制代码

: ~. F' O  T: r1 h' s; B

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
十分感谢！！！非常感谢！！

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";
   6 a. P* E( ]2 S0 X8 |& V
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   ' @$ S: ~* T; k: O; q/ M/ _" X
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
   , [4 Y5 k, d- r. S2 J7 m
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   ) M/ L! C3 I& }: b
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)");
    4 f) E5 r- l# m1 f, o8 x
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    # S) z/ J6 h/ V* l( M! _
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;
    7 Z; U1 L+ ?7 v0 Z! T
16.                 //如果服务器要验证用户名,密码
    : U6 n) D: t2 T- R
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    * }. g- |: A9 C1 M
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);
    3 a: Y* x' m% I/ b4 \+ [3 y) _
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
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);
    + O1 h# M  N6 t7 l
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    4 v- `- u  ^4 C2 @
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    5 D! M7 o/ j& S: A, a; Z+ `* @  N
28.                 if (charSet.Length > 0)
    ! Y7 J6 W. T% Q$ f( L7 e
29.                 {
    4 p4 k4 l4 ^+ K7 h) t7 D& X
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    ! l' `! F2 J: C$ u
34.                     if (charSet == null || charSet.Length == 0)
    , v( @' q9 ?" F* I/ `& e
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    * v: r7 {1 U2 y* }5 p
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    0 ~  ]1 A3 W+ K( F* j/ J8 u( J
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    + G8 ?6 t6 P* O
46.             }
    
47. 
      ~0 h% j- @3 g; s
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane