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：
% d7 J' d5 V( N; g/ _- ^http://a.com/b
http://a.com/bb.html
* e" z- V- ?1 m' A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.         {
   
4.             List<string> allHref = new List<string>();
   # r! {% X' u6 n& I) |1 M. ~
5.             try
   . |6 I8 V/ `$ H, ^+ [- `; Y! O2 J
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   " W0 T4 [  [+ r# p" A+ }
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);
    ( e$ U& \8 W" O/ F9 L! Z+ E; g
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    7 o- Z5 S( D" C" p' H
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    % R7 t8 ?1 O4 E: F
22.                         {
    ' k, N; V; c* Y$ \, g& L  j6 H
23.                             fullUrl = thisUri.ToString();
    1 X" R9 g; ^7 N: H7 K9 n
24.                         }
    
25.                         allHref.Add(fullUrl);
    - _; L% I% q& r3 K
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    * w/ q7 q$ H, F
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    7 S3 s. F& \! O5 y  Y  Y6 {% N
29.                         //Console.WriteLine("…………………………………………");
    2 \1 j: Z7 J: w& F. R  L
30.                     }
    9 P0 a! k3 u& v" `4 n6 V
31.                 }
    / G  ?3 A3 y; |% M
32.             }
    2 u7 ~$ `, {9 g2 {0 L  ~2 K
33.             catch (Exception ex)
    
34.             { }
    ( q+ Y# d2 ^# `' v, a! V
35.             return allHref;
    
36.         }
    / ~. e2 k- k$ [
37.         #endregion

复制代码

: u* r$ C6 V  \& v, F3 V1 P

1. 
   
2. 
   
3. 
   6 |/ N3 q+ _1 k. M) ^2 @% Q( U% L
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   , ^! g4 @% `+ q# W- }
7.         /// </summary>
     G1 _& c- T1 F' `5 x
8.         /// <param name="list"></param>
   # J; \: l4 |9 C) I6 O  c
9.         /// <returns></returns>
   2 r, t4 L3 K0 X) q4 g
10.         public static List<string> getUnqueList(List<string> list)
    : d& S" j) ]" Q
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    7 f  e0 F: @3 j% S
14.             foreach (string s in list)
      ~, u) ]$ [' R, U+ M. y
15.             {
    ; N5 C- K% s0 v! a8 Z3 L4 J4 k1 K* _
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    " d1 x9 z/ N2 u* F# U" |) d
19.                     list1.Add(s);
    9 x1 q# a+ N# t0 E
20.                 }
    
21.             }
    2 M% Y8 j2 r- f5 j
22.             hash.Clear();
    9 ~- ~" U5 v' D+ M+ z; ]' J. r9 ?* a
23.             hash = null;
    
24.             return list1;
    8 {2 ?2 ~- ?. z
25.         }
    
26.         #endregion

复制代码

( g& x8 a3 t9 @  C

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
' S: n  L2 J" E$ y* k- e$ s十分感谢！！！非常感谢！！

! X4 o0 y) B0 i' a- H2 R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
   ; A7 u0 b4 J+ ?* y4 m, Q
2.         {
   
3.             string strWebData = "error";
   ; {4 [- m- L* `- l- B3 @2 S" l" {
4.             try
   
5.             {
   1 G- n3 e% r+ T+ q9 B4 H4 Z
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
     K- R( Z& z- C9 M) U- C0 W( s
7.                 // 需要注意的：
   ( B6 A" X7 v) H' a7 ^: p
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
   : D, ~2 ^2 N6 r3 ~$ v$ T9 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。
    
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
16.                 //如果服务器要验证用户名,密码
    6 G% A8 d! k( e
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
18.                 //myWebClient.Credentials = mycred;
    / {2 @6 V* t  j' e7 k  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）
    
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    7 S: h3 I* U- A& g! e( R9 S
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    1 w+ {9 b% Z0 |2 K& `, _
22. 
    
23.                 //获取网页字符编码描述信息
    ; Y- G0 v0 W$ A" v
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    9 P+ j! Y( S8 {5 |5 ~$ C; m1 H
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    * e  ]  A7 k4 B0 p% d* v/ D# I
28.                 if (charSet.Length > 0)
    4 B1 P; @5 v7 V1 \2 z- d
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    9 B* y7 s1 r7 E' O. O
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    4 i9 [' j3 r( _( P! D
35.                     {
    % n/ ^0 h" N- l4 d7 N' L2 I8 `
36.                         charSet = "utf-8";
    7 l4 O% g; Q$ r8 X, d
37.                     }
    ' M+ t+ W3 }! _! u- R
38.                 }
    - _$ c8 b* W: I0 u+ t4 q1 R
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    2 U8 T5 c; ~; ]9 v9 T
43.             catch (Exception)
    
44.             {
    ( S* e3 ~8 n: m
45.                 strWebData = "error";
    6 Z3 v- I9 A+ q: B6 |3 a
46.             }
    5 I- M& G$ R/ M, G, A0 o( A& s+ ~8 k
47. 
    
48.             return strWebData;
    6 D7 B+ k9 K) Q. {0 ?- A# l
49.         }

复制代码

PowcAncn

weishaneweishane