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
http://a.com/bb.html
) z0 l2 R. t9 y4 a# }# 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)
   
3.         {
   ) o5 r+ l& _, \& x" a
4.             List<string> allHref = new List<string>();
   3 A" ^2 k9 q5 h) d2 p
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   7 P/ q/ E+ _2 ]' y2 [8 v
9.                 {
   2 L1 `% {8 v3 o# x! b6 X
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    % S# p9 H( R5 R( S6 ^! Y
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    
13.                     {
    7 N2 |3 ]) p5 E% q6 E6 h7 h/ k0 f
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
      T- A. R# H& A9 R
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
      @) m1 v# P6 i
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    . Y$ u8 A3 ^; t
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    1 ?& E( X6 ~: u4 _8 [4 e9 F
24.                         }
    - z/ t( D1 M2 Z! o8 b
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);
    ' E9 I5 m- E7 r. S% h. L9 N
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    " P; Y& a) f1 b# A" l
29.                         //Console.WriteLine("…………………………………………");
    ( J% H* `0 H# ~. ?" B8 A: E* y
30.                     }
    3 S2 `2 S5 b+ ?& R) X, J4 r; p8 m
31.                 }
    + o+ f% Y5 J2 h
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    0 h! e2 \1 J, T8 G. c3 w' T5 V2 k
35.             return allHref;
    5 P) A( ?% {6 ^! x2 J6 G7 t
36.         }
    
37.         #endregion

复制代码

) O% }6 E: u. k- L- |. l

1. 
   
2. 
   
3. 
     E3 [, X1 ?1 ~$ i4 b
4. #region 数据去重
   
5.         /// <summary>
   * H! a3 B, e0 o* N' O
6.         /// List<string>去重
   + |- B* K+ P' b! v* V
7.         /// </summary>
   ( c$ L9 H" R5 f$ F2 p- L1 @4 i
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   3 `' N( w3 U- x, K, P# q
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    . C( }' `, z  g
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    : v  |+ C! }. ^0 B2 |/ a
18.                     hash.Add(s, s);
    " C( |' K; }) a1 ]  {
19.                     list1.Add(s);
    $ n6 G# Q6 l$ Z6 C
20.                 }
    
21.             }
    + i* E0 M1 o; H2 O8 i( G6 o
22.             hash.Clear();
    
23.             hash = null;
    * h' B5 T  Y4 |
24.             return list1;
    2 V* A) O1 M& h# w
25.         }
    
26.         #endregion

复制代码

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
% v3 {# d1 }' l1 T6 L4 k; A' z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
   
2.         {
   2 K; W( V3 X. B: z! ~" b6 z( R
3.             string strWebData = "error";
   
4.             try
   ' f# I$ V  I9 `0 Y3 V1 Z
5.             {
   ; S# u$ Z' m3 O) H4 }+ q
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   % p% r7 U) x  g. J$ c2 x: F
7.                 // 需要注意的：
   ; B0 X3 b  D/ l1 `& P, t
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
   $ \7 N' K( Y' B" ]
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)");
    ( S! r+ i+ Z! O: ~, w% b
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。
    + O: Y4 A; u1 y% z/ b" ^
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);
    7 t, p. b7 r, ^3 e( w/ o( a8 Z2 O
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);
    + Q1 p) {# G6 f( o, J9 u# i$ E
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    9 W7 s( b0 s% Y9 `# H1 {8 v9 E1 S
23.                 //获取网页字符编码描述信息
    + p. z/ H8 f  r3 y7 x% G  o
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    % J  B# D/ k3 y# ?5 _. @
28.                 if (charSet.Length > 0)
    , C: D: |& \: `% u" o6 ]* F
29.                 {
    ( {5 {: H7 A( e3 ?/ q8 [1 i
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    ! w# z0 r2 r- O: [0 \) o
32.                 if (UseUTF8CharSet)
    7 q9 ]3 ]3 m. Q
33.                 {
    & C0 @; w; K8 k, v; \
34.                     if (charSet == null || charSet.Length == 0)
    4 A2 ~+ D* f4 y- ~. E$ o8 R
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    . U7 z6 G. v5 A. B, w8 h4 ^. p
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    2 }* k$ k, b+ I8 S
41. 
    
42.             }
    9 s. b$ p- G" z$ k" F! \
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    
46.             }
    9 Y2 ~/ l; M+ p; ~7 l" \
47. 
    
48.             return strWebData;
    
49.         }

复制代码

1 X1 `% ~0 ]% `

PowcAncn

weishaneweishane