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
5 J3 R0 f3 J+ U, ^- f4 Zhttp://a.com/bb.html
( {4 x2 {3 B6 A. O1 y+ \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)
   7 b! C% o7 b' u( i: ]/ @% w
3.         {
   
4.             List<string> allHref = new List<string>();
   / h( @! n9 F' Z; g
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   7 S4 g3 W- [) x. J/ F3 r" I4 L
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    * J- b5 e8 R" l4 k
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    $ p, n7 z0 o9 e- r0 G
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    ) y+ @6 L+ S" c
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    + M# N" L- h; C& h
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    # g6 }. n. o  v/ @8 M
20.                         }
    
21.                         else
    
22.                         {
    / B' @5 R; c- z$ _  o
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
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);
    4 g0 x' |6 G& A5 l5 W! ^6 a
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    % X1 `! u2 e2 D4 f3 c$ [( x* r1 @
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    
36.         }
    $ n' v# u1 k8 t. x0 b2 B
37.         #endregion

复制代码

1 i; a% R: k/ c" l

1. 
   7 u3 u: E( `3 ]; g) Q# p- _
2. 
   
3. 
   + X" x  \. V+ E
4. #region 数据去重
   / T& A8 J1 G- d4 M
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)
    4 P, I$ D: c  O. x
11.         {
    9 [6 ~7 j! Q" ^
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    9 G4 N/ T0 B* e" W  ^9 ~
14.             foreach (string s in list)
    & \0 z. {* m" [! w
15.             {
    
16.                 if (!hash.ContainsKey(s))
    2 j2 \( E* a5 p# ]; n+ S
17.                 {
    * X! j. b* s) `9 u
18.                     hash.Add(s, s);
    4 k( g) c) x) D4 ^. j' W( E) f3 a
19.                     list1.Add(s);
    ) S/ k: v8 F4 A
20.                 }
    
21.             }
    * C+ ?% x, U6 w, d4 P/ j1 Y
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    
25.         }
    4 k/ q5 `& {0 P  ]1 f) m
26.         #endregion

复制代码

4 R6 [% C5 ?; j2 w! A) r
7 Q+ m" Q& y" Y6 l& j4 Q# d4 u4 Q

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
   - _1 T; Z1 H0 r& J1 j# S% u
2.         {
   6 T9 r1 d6 Z( Z$ X( }' T* S" s1 `1 }
3.             string strWebData = "error";
   2 n3 |7 T3 g, S
4.             try
   * F$ @5 {: E; v& e# N% w& p; H
5.             {
   ' O9 @6 D% q* w9 r9 g  c; Q. d/ L
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   ! n4 ^5 {+ J3 ?2 O3 P' l
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
   7 C# Z' g/ R3 A5 Q
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   + ^( X  Z! }3 }! o# K0 ^
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)");
    & E( w( f; b4 s, r
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。
    
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    - S# ]% S2 e/ u
16.                 //如果服务器要验证用户名,密码
    ) O$ q$ e( V9 q, D
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    % ~, l6 S- h' X( W
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）
      G4 {: c& m/ V' E. d
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    
23.                 //获取网页字符编码描述信息
    1 _- }7 j1 h. W* P# `# ~/ u- K
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    ( `, O% \8 }4 C( M" M
27.                     charSet = webCharSet;
    - S+ q. S) a6 b* {# i
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    , R# X. L- a& e  d: [
31.                 }
    8 u: |) P, ]# m8 x( Q
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    4 ?5 {' ?/ n2 z& e* a4 z9 P9 T
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    * c2 o+ g5 S' y% t' P! z
41. 
    5 n) C) ~0 P* b0 ~9 L. R# C# v
42.             }
    
43.             catch (Exception)
    9 g% V3 _1 P) p+ @- C
44.             {
    ! P/ o! r( ^9 J9 m) c1 A, U& ?, d
45.                 strWebData = "error";
    
46.             }
    + c& E- J# j0 x
47. 
    
48.             return strWebData;
    . |/ R! ~8 n) N
49.         }

复制代码

( c; ?5 c9 S5 L1 E6 N
% M3 x/ ^, B3 E% k( i5 @

PowcAncn

weishaneweishane