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：
0 v9 @# U9 O; ?7 S! t' Thttp://a.com/b
7 x6 t3 y2 e; j. T' \+ x2 p. yhttp://a.com/bb.html
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.         {
   ; V. y4 l9 _) T' J4 w
4.             List<string> allHref = new List<string>();
   + A& Y8 E6 F; z% E9 ~
5.             try
   9 Z# z: c9 M- w) u
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   , _' W8 r  [; N# O+ f
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    # ^5 }, N1 V0 S: W0 f
11.                     MatchCollection mc = reg.Matches(strhtml);
    9 ]9 o" P+ R+ T
12.                     foreach (Match m in mc)
    
13.                     {
    2 R: Q, v0 }( Y$ e' B
14.                         Uri uri = new Uri(url);
    ' ~1 j! e5 w' D! w2 y* ]- ?2 |7 s
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    : `" K2 V8 Z$ O2 j, V/ b
22.                         {
    ! R) D. D' l0 b/ T
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    + g7 g& \. X- i& H. Q
25.                         allHref.Add(fullUrl);
    " }, r; {3 x8 ?2 E+ L- Z0 C
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    9 V# ]' T( {: {- {* _/ R* N
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    8 R+ y1 k  X/ ~9 J* `) f
30.                     }
    + A  g/ C0 H/ Y- y! u! l
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    # F# ?" ~' t( x1 }" O$ T# p
34.             { }
    
35.             return allHref;
    9 \3 [" m& \" t" P4 c! h% ~- t5 S
36.         }
    
37.         #endregion

复制代码

$ L4 P0 e( E/ {

1. 
   
2. 
   + @3 C$ l1 |1 ]- T/ V
3. 
   : b* n1 }1 g; C1 _( @4 I# {. R. Q
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   ( Y4 a* S4 Z& I0 `9 M
7.         /// </summary>
   : C& m' d! L' m( K8 |
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    * S0 ^$ o/ {2 Q+ w
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    ; m0 T0 v  x- @4 T1 ~% i
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    0 V' M2 F- Y3 p$ T  n
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    % l. y) J. \/ r6 {/ ^
21.             }
    / E' U- y+ X* j3 [% L
22.             hash.Clear();
    7 X. R6 \- x- K. [8 u4 E
23.             hash = null;
    + A7 M( X# x* C/ f2 d9 S
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

: D$ r# \" ], \1 h7 e+ G* i

guys

李小冲 发表于 2016-2-26 16:17

$ ^4 S; n4 O3 F" O% M) g) S# I$ Z% @" l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！！

, J3 J9 m8 }! `3 n- |缺少一个gethtml,用下面这个：
& W- I+ k$ L" o' 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
   
2.         {
   
3.             string strWebData = "error";
   
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
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
    . U  p( t- S3 |  G, F% R
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)");
    " N/ f/ P" I8 s/ A# k
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;
    # P6 ]; r" f* n# e$ D, m
16.                 //如果服务器要验证用户名,密码
    - K! o4 ^! \0 @( Z* f
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    / y: F0 V6 B- t/ p6 H4 _' M1 U
18.                 //myWebClient.Credentials = mycred;
    & t2 J. o# F* T: S) b
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）
    + v7 G8 a' B( F* b" e
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    3 u+ @" b  a+ I2 G3 x
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    ( i8 t; H" L4 l& q& n4 j  _
23.                 //获取网页字符编码描述信息
    / x# m* p# |6 m) r
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    8 Z6 L$ Y9 A: |: F
26.                 if (charSet == null || charSet == "")
    # f) N7 k1 N7 X8 V: }, {
27.                     charSet = webCharSet;
    : v9 q6 w, I$ [, r* I) N# G8 @5 v
28.                 if (charSet.Length > 0)
    3 |& Q1 D; C' @& A, U9 s! R
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    ) I" C# Q2 i5 }( K
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    ! y; k5 J  u+ r, T
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    3 X5 _9 U# n! }3 J9 ^. Y
38.                 }
    # F8 d$ U+ A# c; z8 r
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    5 U, |9 n* X* o0 u5 r
41. 
    
42.             }
    
43.             catch (Exception)
    / `" y: I6 w& L# Y6 _# Q. @# B8 e
44.             {
    " i) }# ^+ e- o" E4 p
45.                 strWebData = "error";
    9 w# O/ W9 G) `9 z# \) [' W6 h( E/ A/ X
46.             }
    " {' l3 y9 Z. v
47. 
    
48.             return strWebData;
    
49.         }

复制代码

: ^* }; f) B# z  |: c4 ^$ h2 h
) N2 }( D7 A# A

PowcAncn

weishaneweishane