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
6 v+ |9 K$ N$ vhttp://a.com/bb.html
' ]' R9 g! C/ N$ }能自动去重复
# m3 `6 N& [. K0 H: d

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   : `* O( R6 Q! a
3.         {
   
4.             List<string> allHref = new List<string>();
   ; Q3 U- }3 c) P  Q
5.             try
   
6.             {
   % o5 s+ U4 C7 T  o* \3 z& k
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
     w( X$ |8 O$ [/ |) G0 f0 w7 j
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    5 k) E$ k' o' D. H) f& I9 F
11.                     MatchCollection mc = reg.Matches(strhtml);
    ! t: n* I/ J5 w8 X! }$ K1 O
12.                     foreach (Match m in mc)
    3 [# H* m- P! k0 z& F
13.                     {
    4 [4 y/ p9 \4 ?6 d. s4 m3 Q
14.                         Uri uri = new Uri(url);
    # I: i/ T+ [5 M9 A; A4 u4 p0 u
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    ! T1 ~# R" q4 I" x, B" }1 E% |" F
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    " |8 R: r' P) r& o; y( x! L) |5 a
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    6 J# j2 r  ~& A6 ~/ ]0 A/ e& d7 D
21.                         else
    
22.                         {
    2 J" p8 O+ e! [  J
23.                             fullUrl = thisUri.ToString();
    $ B+ B; W" r4 ~& o' P
24.                         }
    
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    9 L6 x+ ]$ w$ i/ _
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    
32.             }
    8 N1 [5 V4 i( ?/ k
33.             catch (Exception ex)
    1 B% g9 b: N, {9 C; c. C
34.             { }
    / i# c, f* N: _) s( j" s  A
35.             return allHref;
    
36.         }
    & \4 Q/ o# }% S/ B1 E) e' T2 H
37.         #endregion

复制代码

, S/ @$ l6 ^) j! n- |2 |2 ^- A1 `
. J  D. D- F2 e# q8 k6 `1 V

1. 
   
2. 
   9 I6 Y. J+ }% g% N6 z$ o
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   3 k! P: s/ B- ^6 T6 A( ~
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    # `; y, T3 j# D
11.         {
    
12.             List<string> list1 = new List<string>();
      p7 D% ~, g1 Z' S- I: O
13.             Hashtable hash = new Hashtable();
    4 f" j0 U/ b  Q8 N# C" v8 D
14.             foreach (string s in list)
    
15.             {
    $ \& n+ T$ s/ N
16.                 if (!hash.ContainsKey(s))
    $ u, ~8 m9 K: q: S/ E
17.                 {
    ! i1 z% I. E# N! r7 M" [  R! v2 P
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    2 C! Z8 A& \/ x, ^
20.                 }
    
21.             }
    2 p" ]6 ~6 r" @
22.             hash.Clear();
    ( O" ^' W9 f2 |  p' P
23.             hash = null;
    
24.             return list1;
    8 s& f: R2 s6 j- }% {
25.         }
    5 B. g: z$ G( A
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

' T/ r4 ]3 j! _, `2 P  j# ], ?十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
$ {5 c6 ~# t( \$ N. I/ J9 Z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
   ' ~* F% P7 A& {# d/ l8 G
2.         {
   
3.             string strWebData = "error";
   5 ^% L* T: Z0 R. i9 Z. o
4.             try
   1 ?0 ?0 v2 z; Q+ J4 j' ^. a
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   , {. v! P  P% P
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
    
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。
    5 R! O! A6 Z1 u- s
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);
    $ E# B& C7 R" _& l& H5 @
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);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
      |% `/ U4 Z0 l% t. X
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);
    8 x( @2 M8 T! ~( D" T
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    5 g: g/ \4 {! V' a
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    8 v) ]) y) Z6 Y2 R
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    # E, T+ q' l  E
31.                 }
    7 c( {7 r; e$ `% g
32.                 if (UseUTF8CharSet)
    3 L1 C7 d/ M/ m' T" t9 K6 w: N
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    8 {& P* D& q5 z8 X+ h, C8 V  h6 Z
35.                     {
      t: d8 T! {+ @1 e! r7 v1 O
36.                         charSet = "utf-8";
      r/ {8 I- Y, z7 k9 ^1 [* }, T
37.                     }
    
38.                 }
    ( A/ m" }" K) l% X1 t
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    $ z- n4 Y, ^7 }2 l+ P% g0 {
42.             }
    ) P+ v5 |7 T1 _- y; b6 W
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    
46.             }
    ; x3 e; S8 h5 {8 ^) U
47. 
    9 `& p) Z0 S5 S
48.             return strWebData;
    
49.         }

复制代码

8 V# ^! A" Z8 h: H8 `( L

PowcAncn

weishaneweishane