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：
, w0 `9 e2 T' ^5 \' {* s/ bhttp://a.com/b
http://a.com/bb.html
/ H8 y4 f9 o" ~5 c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)
   8 v: Q2 {& c6 U
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   ; y& H- F; M: D9 X
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   , D2 R& F( d& c! c! \6 G, G
8.                 if (strhtml != "error")
   
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    + G* x" a, X8 p/ J. S; u  o! x
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    / `0 {6 M( k1 Q: t. e
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    0 }7 u3 t* P  b( i0 S
20.                         }
    7 e8 c6 d. b: s& v- E9 T
21.                         else
    
22.                         {
    & c% M( R8 H6 G2 s
23.                             fullUrl = thisUri.ToString();
    4 p! ?5 k9 n# Z8 q# V" l8 I% r: y
24.                         }
    
25.                         allHref.Add(fullUrl);
    " L  U- [& J$ L; X% l/ i
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    5 d  G7 |% b) O0 z/ I
30.                     }
    
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    6 [- L( w9 h! n- i  c0 D
34.             { }
    
35.             return allHref;
    7 R/ F! C5 u" Q
36.         }
    
37.         #endregion

复制代码

6 _7 N: R; V% f# R' g2 P0 Y  t2 j

1. 
   
2. 
   2 }+ {2 ^( w% i( y
3. 
   ( ~5 u1 w: `7 q3 a
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   + ~8 G: s! ]3 \+ y/ ?% O
7.         /// </summary>
   
8.         /// <param name="list"></param>
   2 O1 r. ]% Q! ]8 U+ \
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    ( X2 |% c( [3 H/ k
11.         {
    7 U. P* q4 Y" U  E3 e4 Q, O
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    + ?( `- X- ^; @* G& v
15.             {
    " c# K: w0 J) ^! d1 B- t
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    - Q$ P5 @1 s( z) I
18.                     hash.Add(s, s);
    7 w" N3 e$ p8 D9 S
19.                     list1.Add(s);
    ( o6 A& a. p' D- w, O9 r
20.                 }
    - b- x, y8 u. `/ T! p- o' I
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
      x+ D7 N: X/ s
25.         }
    0 p$ o  ^3 b3 ]* V
26.         #endregion

复制代码

7 k2 N: W; Z3 z
* |5 |7 D+ S, b4 v" P% V% b

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！！

0 i" R" ]5 U: E+ c缺少一个gethtml,用下面这个：
7 }/ K; _/ F. i# Q, D! e

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 z" r6 o2 l: x* A3 F
2.         {
   # n& }/ g8 k5 R$ y6 w9 J8 k7 l
3.             string strWebData = "error";
   3 Q8 O0 I5 y1 r
4.             try
   . x" u6 R3 e# o! ^4 M
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   3 F4 M8 v4 X& ^( X6 l+ D
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
   4 E5 s9 g7 o( K
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。
    ' _4 I3 h- p% n, f6 Y$ T8 C. G8 O
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
16.                 //如果服务器要验证用户名,密码
    . [% Q5 H3 ?1 x( L; Y# N
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. 
    9 W" w6 R- w4 e: I5 F# V
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);
    ; M+ L- [2 }/ S) n
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    2 M; I( f; \3 [8 f
26.                 if (charSet == null || charSet == "")
    ( [9 l+ f7 U( L- N2 S% Z4 ]
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    ( [' {8 L/ ^7 T. o1 {. o. A
32.                 if (UseUTF8CharSet)
      _" x* p" x, \6 a
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    : b& B/ J- Y$ }+ o9 Q, k
36.                         charSet = "utf-8";
    1 i% T6 Y' k# L" I* j. a
37.                     }
    * |1 ^2 r, b$ E% ~* a
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    ! c3 j1 ~8 r+ p" [4 {. w3 K
43.             catch (Exception)
    9 }- R# T2 k7 H2 V% o8 X
44.             {
    
45.                 strWebData = "error";
    & M# H6 _$ m- e7 |! _/ w
46.             }
    
47. 
    , {) z7 f. W: ^7 [; D4 m
48.             return strWebData;
    $ i4 \" j& n5 |. _6 [4 x% C0 v. x
49.         }

复制代码

' h" E' r, h  z5 k

PowcAncn

weishaneweishane