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
3 R, D* P1 f  [5 \* ^; X1 e6 ]http://a.com/bb.html
4 Q5 k: g# f) B6 c# ~* ?能自动去重复

李小冲

1. #region 抓取全站链接
   4 ~# j9 i5 N: g7 F
2.         public static List<string> GetAllHref(string url)
   , p, ^: b5 E' T: N
3.         {
   $ n+ o9 H8 ~. U4 B3 i
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   / J5 L5 q) ~5 ~. g
7.                 string strhtml = soso.getHtml(url, "", true);
   # X' I- M; Y# s) P0 `6 z& I2 a
8.                 if (strhtml != "error")
   
9.                 {
   * f" ^  N3 E/ E; f9 M- A
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    ! y! C& G" ]( H8 V  @
12.                     foreach (Match m in mc)
    ( X3 a3 c! z  w
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    0 n2 h- F' `) d  |" Y
16.                         string fullUrl = "";
    ; S9 h+ @3 b% ]+ J* L) Z1 v
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    5 K* d% _. I4 c; n) g
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    ! g% U$ g- l6 T/ \
22.                         {
    9 q/ N5 O2 Z* J; m: V8 N
23.                             fullUrl = thisUri.ToString();
    ) }5 m& j2 P: l1 ~1 E7 T# x; p
24.                         }
    8 m: [4 n3 g( U% f2 [. ?7 p! r" 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);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    ) C( X  J. S5 l6 u1 X' \
29.                         //Console.WriteLine("…………………………………………");
    * G4 J# j! t; j
30.                     }
    5 `! U8 D$ [1 N" S$ ^- J  D
31.                 }
    
32.             }
    1 f0 x' c  a8 ?8 i7 Z
33.             catch (Exception ex)
    0 L3 x% g) B0 N- Z  o2 `
34.             { }
    
35.             return allHref;
    9 a+ j2 w! X/ i- A+ i
36.         }
    
37.         #endregion

复制代码

1. 
   9 o. ^- P1 Q. q* x# i
2. 
   0 U& m1 U( T# w4 b
3. 
   $ U! i/ Q+ i# u' @$ z$ P! B
4. #region 数据去重
   / b, W- X) k0 F; [9 M, V' w2 f
5.         /// <summary>
   8 _; F+ F7 a- G
6.         /// List<string>去重
   1 N( L( k" K' }9 t4 o0 P1 X4 N1 o- D
7.         /// </summary>
   
8.         /// <param name="list"></param>
   % g: k* |" r  X3 o+ {7 C
9.         /// <returns></returns>
   $ L0 g" @/ Y- A+ V
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
      ?. y# ]7 O$ O- e! ~
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    . K; L; J3 i, l2 L. I3 T
14.             foreach (string s in list)
    ( R$ ?2 s# i7 |' U1 s# x
15.             {
    0 m  P) R  C6 h% ~8 Y1 Z
16.                 if (!hash.ContainsKey(s))
    0 c6 m  W: b+ b( |' u( B( ]/ n
17.                 {
    0 X" \8 V: S( D7 o6 n* H, ~
18.                     hash.Add(s, s);
    + W2 V# Y- G8 N/ C0 R3 N9 `
19.                     list1.Add(s);
    $ d* F( Y3 j8 H1 G1 H8 i8 C% N
20.                 }
    
21.             }
    5 y* w& G- e  w/ q
22.             hash.Clear();
    7 u$ t+ c5 t. O( ^8 l
23.             hash = null;
    9 V. M# i# t9 S$ g6 I* v9 |; w6 G
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

3 c9 i& D5 ~/ a& b' C! t

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：
0 D+ L+ P# q- c& [! J3 F

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
   - [' g- v3 U9 F: E
2.         {
   
3.             string strWebData = "error";
   2 p0 w5 Y/ a3 E' f; A6 C
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   0 U' `8 i$ m3 V
7.                 // 需要注意的：
   ! K# R& B- G! N9 b9 n
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
   : {. |- s8 C6 i6 b9 \0 \, j5 a
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   3 f7 |1 r4 t9 R$ F5 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
    . ?$ o5 F; |1 r, q( S; l9 x
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)");
    , B* T# `! w% x; I) l$ [2 T
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。
    . ?1 K5 m9 b5 i" ^, K; t/ e
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    ' Z/ {9 s2 }# Z& x; P( j3 i
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    $ `' e0 X& a6 p5 A+ o1 M
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. 
    . ~* v/ L0 U7 a# ~
23.                 //获取网页字符编码描述信息
    3 _( s, J# n7 a# u
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    . @8 A) Q& ^! F+ g# M: X
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    * M0 ?! p9 g3 L8 S8 _! G$ N
28.                 if (charSet.Length > 0)
    
29.                 {
    % R3 }9 k) v3 W& T3 m- @/ u
30.                     charSet = charSet.Replace(""", "");
    3 i0 t1 W) T+ ~+ D
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    ( d* A8 j; o) V0 A  Y9 h' n% ?; _
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    ; F% Z: ^/ U1 }3 p' ]) n. k% c6 b( X
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    : G" r% F) r1 L2 m& [# L5 p
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    
43.             catch (Exception)
    : A4 @! K" a4 p7 h4 P- D
44.             {
    
45.                 strWebData = "error";
      M4 K$ l# M& L8 [& l' [) H
46.             }
    
47. 
    
48.             return strWebData;
    
49.         }

复制代码

$ O) N% @) {. o" l

PowcAncn

weishaneweishane