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：
: x6 Y( W6 a$ C/ x  O1 q7 I4 jhttp://a.com/b
( {- i" m4 ^5 X3 c7 b" Q" X! b; q0 whttp://a.com/bb.html
3 x. T% X- m: M2 B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.         {
   $ F2 q7 F( X5 A- r) r) R+ v
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   2 Z) x% s% y- s
8.                 if (strhtml != "error")
   , E' i. H. h% u
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    - J* ^( I9 o: q5 O! z" j: o* U
12.                     foreach (Match m in mc)
    
13.                     {
    & l1 g& o& e4 v3 ~1 Y
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    3 ^; a. }+ u/ r7 d% X
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    % y, E1 |6 f& |% z! d6 j6 ]+ A
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    * ^, ~0 G& S& O, j0 U
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);
    , ]+ d8 y5 t) E# _
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    ; Q$ Q1 t& p: [( e0 Y0 s
29.                         //Console.WriteLine("…………………………………………");
    ; h5 W& y7 z; p! g
30.                     }
    
31.                 }
    
32.             }
    * e" g3 S$ ]( m( g$ ?
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

' ?5 o: d" K( a1 O

1. 
   3 V7 J" Z, X& ^4 l4 `, B( _
2. 
   
3. 
   
4. #region 数据去重
   
5.         /// <summary>
     i/ ?/ k# {, L
6.         /// List<string>去重
   
7.         /// </summary>
   1 V0 M: _1 W5 k9 M; n+ e
8.         /// <param name="list"></param>
   ( L2 N. a6 p7 i  h( L
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    ) n6 C# F" I& C) r, V: u
12.             List<string> list1 = new List<string>();
    : W' f% T% p6 r  A$ }, f/ e! P
13.             Hashtable hash = new Hashtable();
    3 x$ }# `; N2 Q$ {2 X' }
14.             foreach (string s in list)
    ) }- ^0 C- N. V+ g
15.             {
    6 v! P: p; Z% k/ u: K
16.                 if (!hash.ContainsKey(s))
    % ?5 l# b) ^7 n( |1 c0 l3 i
17.                 {
    6 {$ Z4 h" z0 e+ N: b
18.                     hash.Add(s, s);
    # ~/ r- ]4 w) U5 H! t
19.                     list1.Add(s);
    5 w7 D6 C* B3 G  B/ q
20.                 }
    
21.             }
    
22.             hash.Clear();
    $ z( E$ {% q) i- z4 h  Z
23.             hash = null;
    
24.             return list1;
    8 \/ a  A! Y! k! w7 s9 _
25.         }
    
26.         #endregion

复制代码

# k1 g. p7 n8 o  J/ f; d
: D; Z9 Z) G) V1 q: }

guys

李小冲 发表于 2016-2-26 16:17

+ m2 o% ^& p4 M0 }# r& N  ]十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
9 @6 @- O8 w+ y' m! [0 r十分感谢！！！非常感谢！！

" |' Y8 x; s3 c7 g: B' l' d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.         {
   6 X' w) \' Z4 t$ Q# F
3.             string strWebData = "error";
   
4.             try
   
5.             {
   ) p' O! p# z/ P9 n
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   : A/ \! a8 |+ t2 g: Z$ U( U( Z
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
   * p5 W" d$ Q) O: |+ `
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   9 y- B, W7 s' C
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。
    9 w) B, O2 T- ?' ~
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;
    
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. 
    ( X7 \7 g, [! p. J
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);
      h6 Q6 ^9 y/ ?& K8 B
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
      o7 E* z% ], s
27.                     charSet = webCharSet;
    . @+ K, x( ]( D+ k- [' e# Q
28.                 if (charSet.Length > 0)
    " E* l: j) K% w  t/ \+ Y; C. c
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    3 A1 U4 f* _' t$ e' M$ ~: k5 M
31.                 }
    % O/ b( F' G! V# \. l8 u, B
32.                 if (UseUTF8CharSet)
    
33.                 {
    : f( h! s% K  i  O1 O! F
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    + Q8 Q# G+ c3 ?' G
36.                         charSet = "utf-8";
    ) d' v$ R' ~4 l  W9 u
37.                     }
    
38.                 }
    / u) O7 \0 @5 b' W4 [
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    
43.             catch (Exception)
    2 m5 i+ k/ o, T* ]' B! [
44.             {
    3 b, `0 Y9 S4 a% }: d* N
45.                 strWebData = "error";
    
46.             }
    3 Z3 @. @% `! k# a! f
47. 
    
48.             return strWebData;
    1 k$ w$ [2 x* u
49.         }

复制代码

/ a9 `/ W, V4 q' c% C* i' |; ^; r; [

PowcAncn

weishaneweishane