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
# F  ]2 g, O: @" O* n) p, Y比如：
( }( \6 w) D2 b# Khttp://a.com/b
% L' X: x$ p) u; e6 r& `* G! shttp://a.com/bb.html
- e) t$ |) m5 E" i能自动去重复
& X- E, Q1 I" k5 Z8 X3 `* ]

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   5 m+ o2 A9 i8 l( E/ M) P  q
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   8 y0 g2 r( V0 I& G- o+ Q, X: N8 U
8.                 if (strhtml != "error")
   ( ~, O5 P  W" j0 l+ H  s  d) O$ ~
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    8 D& C: g9 p  A. P
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    $ b5 i( U1 y& h  x, f) H, c- u
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    % R- b" C7 g  \4 i9 j# e
22.                         {
    8 P. j9 x7 m: b, ^. G  s/ O
23.                             fullUrl = thisUri.ToString();
    ; j% L) f( t% D$ H! j$ ?
24.                         }
    
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    4 Y- }; C; p; M. R. `" `
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    - Z/ y5 j. e4 d$ s$ S
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    , d; F9 S7 B, \6 \, a
30.                     }
    ! B4 }7 F4 @1 K" [* d$ T6 t- U) j
31.                 }
    / A  X# f* q) u$ r0 \
32.             }
    
33.             catch (Exception ex)
    - ?5 w9 U. \  Q5 ^& o; m! W
34.             { }
    
35.             return allHref;
    - m8 S4 @+ l! S( j/ b& Q/ p
36.         }
    
37.         #endregion

复制代码

  X6 l6 S4 o8 ?* T. I

1. 
   " M* ~" {3 G- f% C# Z
2. 
   
3. 
   % {% B2 E) }% a4 L
4. #region 数据去重
   1 J7 g- u- W% \8 g& w# Z% I
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   3 ?0 U5 \$ i% A& R; b
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   ; C, S5 W, l& @& E5 C6 q
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    4 E. u& I" k+ c) }1 l. F- e" {
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    , |9 I# q/ v, X" c6 F* d
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    
21.             }
      c& N4 C/ ?) i) N& B4 ?
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

# J, _. |8 s) D/ \! t8 o+ T

guys

李小冲 发表于 2016-2-26 16:17

: S, `7 {9 d. M# t: s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！！

: H+ v7 w7 [+ P3 r缺少一个gethtml,用下面这个：
! u% ^. x0 r& U3 z- }

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
     U' M+ y- i! h) p) Q1 Q
2.         {
   ; F6 w# }  C& b& [' D, `
3.             string strWebData = "error";
   4 R) }% m$ P4 X6 {' B! C+ Q
4.             try
   5 q% a# e5 Z+ O  t5 j
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   - |  U7 W8 L! d0 T6 S9 h
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
   
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
    " d# J8 z6 }3 G0 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)");
    
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    
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。
      N7 M6 d% B9 g* v8 l3 U" X
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
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;
    ( ]  V2 `# I3 E) \
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）
    5 L: z" G0 r. P. d/ Q0 I9 q5 i
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    ( S+ D! h+ }, F. D/ O, w
23.                 //获取网页字符编码描述信息
    ! t6 ~& g5 D  V2 S& n. u) p" `9 o
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    8 k4 g3 P, ~& W) z- {
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    ' n" X# O! W. I+ A5 I  @
28.                 if (charSet.Length > 0)
    * }7 I8 P2 t9 w  X
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    - v! h$ S9 N) G) r) ^% K9 K) j  @
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    % E- D3 w. R0 J7 T5 }
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    % ^/ y  P. s- ^1 t: U* s; ]
42.             }
    
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    / N2 w3 [" \  y
46.             }
    
47. 
    9 p0 c8 U( i, F* ]  A1 V& ^
48.             return strWebData;
    % \, X3 n3 s' W- d2 a' H: D
49.         }

复制代码

PowcAncn

weishaneweishane