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
' d2 r% f) J  B: G$ U. m比如：
http://a.com/b
http://a.com/bb.html
能自动去重复
% `" ]& z% q5 R- N

李小冲

1. #region 抓取全站链接
   3 Y1 I5 I' m- v" R  ~
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   + }7 Q& o/ s5 W/ q( u* p# G6 ?
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   4 x$ ~( Y5 T; S
9.                 {
   . M$ i- W- t2 ]1 p. q
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    + K( ^0 m( u3 m" J* x2 B/ B
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    4 P: ]& J/ N& x. `1 z! B
13.                     {
    ( M1 ?2 x) k( U
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    . K" H& K  O+ F8 J: L4 I
16.                         string fullUrl = "";
    + z9 t/ q& J3 Z& G. k+ D1 f: ~2 Z
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    $ ?( i7 A9 @, @& m% D) h
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    ' ?( C0 d" W- I. F& w, ?( m: E
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    3 o0 N# _) Z; u" m0 ]* Y
24.                         }
    ! ]' N) t# t9 s4 i7 b+ k3 |
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);
    5 _0 H& N& @, W$ w8 u0 V
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    " R6 C* x! b& V% h" N, A& B" W! M
30.                     }
    ) }1 a/ b4 y- Q" t
31.                 }
    3 X  O3 g7 [+ l# A3 ~
32.             }
    ) ?- V6 M, e5 a
33.             catch (Exception ex)
    7 W+ b. s9 D; d: U. S
34.             { }
    
35.             return allHref;
    
36.         }
    , M. Y7 C% R6 N# z2 v, _4 U( {1 t
37.         #endregion

复制代码

% n1 Y" G+ A! G4 q8 H

1. 
   
2. 
   . ]! e' i* M9 m6 M
3. 
   . P/ _3 S9 g. f* x* e/ X* n$ S$ ~
4. #region 数据去重
   + H1 a0 |' L7 S$ j. U" \
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    / ?! X! v  J. @9 H( X
11.         {
    7 w# n' L6 W8 X" v& T& r, ]
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    7 T& S4 z; w8 O8 A5 U
14.             foreach (string s in list)
    
15.             {
    6 H" k% A" c0 s" q
16.                 if (!hash.ContainsKey(s))
    ' o) s( E" K3 J
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    : _* w7 w; g& b. s1 Z
20.                 }
    
21.             }
    3 m8 X( b' q! `6 \8 K
22.             hash.Clear();
    3 q# m( F  }3 C
23.             hash = null;
    
24.             return list1;
    
25.         }
    ! B& t: l& K' `: o. y
26.         #endregion

复制代码

/ I" b9 }- @8 p3 L- h

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
$ [/ \, J. C7 F5 E& p! v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
   $ X8 b/ ]+ e: t; {5 q
2.         {
   3 _/ X3 n/ @: j; u0 E3 g
3.             string strWebData = "error";
   ' z% a4 ?: m8 x3 t
4.             try
   7 j2 b/ C# |5 `4 X) K! y
5.             {
   ; n& z& r5 r% k7 q( D( B4 t" z- ?
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   / B2 o6 S9 i% s3 u, x1 g
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 {7 U9 ?4 N, [+ L
10.                 // webclient.Headers.Add("Cookie", cookie);
    6 b  K2 ?( d+ S  T
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)");
    * |$ r6 _% q  d2 o8 P; {' o
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 w2 k' J  N# c# d' O& V! U) s8 T1 l
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    & e: T5 m, c$ o2 m
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;
    # j% _$ u5 k  _4 W
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);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    : c2 X$ C7 G% M: v4 {+ Z
22. 
    / d8 F) J0 Z5 e! T
23.                 //获取网页字符编码描述信息
    / j) c8 H: D0 M& \& c+ l  y/ ]
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    0 G% l" }5 X$ B" X$ s
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
      F+ v( Q1 y4 D, @4 u; j
27.                     charSet = webCharSet;
    % `" w, p1 s- d: U9 K6 P  b: }
28.                 if (charSet.Length > 0)
    
29.                 {
    0 p( {# T! d+ o; K2 D  \
30.                     charSet = charSet.Replace(""", "");
    . f( i) W0 }+ [% A
31.                 }
    / @2 Q7 D/ r3 e4 [: H* @
32.                 if (UseUTF8CharSet)
    9 X2 y8 q% j, m1 _8 ?0 j4 ^5 [/ j
33.                 {
    ' r' c6 Q. f  U7 c! i4 \
34.                     if (charSet == null || charSet.Length == 0)
    & c0 B8 n$ x7 O  l6 m' S6 r& e
35.                     {
    
36.                         charSet = "utf-8";
    : e3 x+ S6 `3 e8 Z
37.                     }
    * c" J7 @! ]8 F. Q  B5 ^5 O
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    ! V% g7 z' }% V. p! W
41. 
    0 B  R# w7 Z- H- D( G3 G# K6 y5 u8 ]& A9 u
42.             }
    
43.             catch (Exception)
    6 D+ z+ H3 h% |1 h. N; ^2 J4 w
44.             {
    
45.                 strWebData = "error";
    8 Z$ T4 m! U1 P" `5 _2 b; y- X
46.             }
    ; p+ k' N: U: ^3 f
47. 
    " X+ o7 J& V3 l- v2 c0 P  W
48.             return strWebData;
    
49.         }

复制代码

) g- p5 \3 i4 q: g+ q2 m

PowcAncn

weishaneweishane