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
) I( J, z6 n  F: m2 H) shttp://a.com/bb.html
4 X5 M# U' h  m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>();
   
5.             try
   $ ?& H. }/ T# x# N7 R  w' f7 Z
6.             {
   / c0 N& v7 @* g$ O* f5 K+ N
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   . ?2 I' v. h5 g0 z) ]
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    % Q9 X5 K( o: b1 r: s
11.                     MatchCollection mc = reg.Matches(strhtml);
    / V: u5 t' u$ w* V( G
12.                     foreach (Match m in mc)
    
13.                     {
    9 M8 ^/ l1 {2 v, O' B
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    ) B8 z- }* @# T4 h) I. R
16.                         string fullUrl = "";
    , z. o6 H4 s0 f5 @8 l% w; T$ Z
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    2 }2 T1 w* H/ m2 J1 `9 M
20.                         }
    
21.                         else
    - ~. X/ L0 m( |* W  C! W
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    " h& U; t5 |& c8 X9 O
24.                         }
    : N0 z: R2 f7 J4 t
25.                         allHref.Add(fullUrl);
    & k( r" N: t( L! Z( j7 x
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);
    - f4 E# I& m2 d& @$ M
29.                         //Console.WriteLine("…………………………………………");
    " O' b8 j/ f* l  q: {" s* L7 N
30.                     }
    0 H" U( ?  l+ s, }' q; ~7 {
31.                 }
    5 o. v7 F8 X- d
32.             }
    ) m9 p7 [% z' t5 {( A
33.             catch (Exception ex)
    ' D, k: Y0 d7 R! c( u- O! Q( U
34.             { }
    
35.             return allHref;
    ! N! k* f" U3 D2 E) b
36.         }
    ! v7 L) ]% \! n0 ~8 B
37.         #endregion

复制代码

2 a, d6 Q0 c- ^  ?6 a) ^

1. 
   7 B( l! H/ z: _* L# q
2. 
   1 W5 d+ B$ c) Y+ C2 B
3. 
   ' Y  T# p3 ?+ w8 ^& _3 ~; {
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   : j3 O! Q7 w4 E4 L+ J6 Q/ {9 Y
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    / u* x1 Z4 V- `+ L+ O$ _2 \- y
12.             List<string> list1 = new List<string>();
      M# v: {8 I2 P' n  t8 F
13.             Hashtable hash = new Hashtable();
    & n4 i3 u) W, R0 L* j
14.             foreach (string s in list)
    ! z0 J7 E- l) |  T; N: }/ M
15.             {
    
16.                 if (!hash.ContainsKey(s))
    ! M5 i  l: O# ]7 v  I: K5 F
17.                 {
    9 t; W6 n! ^/ v3 i
18.                     hash.Add(s, s);
    ) `% Y% ^$ z! q9 V! z& M
19.                     list1.Add(s);
    
20.                 }
    + t, o, j& t' M8 M' @
21.             }
    ; {7 b/ u5 q- [
22.             hash.Clear();
    
23.             hash = null;
    " j" F' k2 h5 }! W$ x5 o1 g
24.             return list1;
    ) M9 C3 c: [2 H
25.         }
    6 V: U2 |; ^4 }; P) ^
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
* ^3 F1 M2 F4 I  }/ N: E9 @- ~+ z十分感谢！！！非常感谢！！

5 C5 q& G/ h( A! G/ H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.         {
   0 H9 ^' T8 U; A( n* ~+ g) ]
3.             string strWebData = "error";
   
4.             try
   
5.             {
   1 x. m3 b- X: w4 D+ u' ~
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   1 |# V8 o9 A! X" }
7.                 // 需要注意的：
   " o- h) M9 H& g( h
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 k+ q2 n8 E3 O
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   2 ^* h5 @4 x. o' r; U& |
10.                 // webclient.Headers.Add("Cookie", cookie);
    9 ^; p3 ]9 c$ i4 Q
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)");
    . ~2 |  W( ]/ }6 K/ l
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 H  {1 g6 p( W. @4 R, ]: s
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
16.                 //如果服务器要验证用户名,密码
    1 K8 ?) W% T+ d* {4 I4 H  u, r
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    ! o/ t2 r* i8 Y7 T5 z' A( D1 C
18.                 //myWebClient.Credentials = mycred;
    0 ~5 {- j$ l. o$ F+ ~
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);
    8 D# p1 \( @0 l0 N
22. 
    : h3 X% W/ _$ c
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);
    ' {- k8 ]6 {. l- A
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    0 _9 [2 m% }/ y; H; A
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    : n' \& K) I8 R
31.                 }
    0 Y0 X: `' H- j1 v0 b% J
32.                 if (UseUTF8CharSet)
    ) B' H! Y; b$ Z& ^: g) A
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    ' F1 x1 b: ^; d/ X9 v
37.                     }
    , i3 ?6 a$ F3 y' I0 X7 h
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    . h- U" n9 `( k) {2 B5 [( x
41. 
    + l* s/ ~. k% {( g0 p
42.             }
    
43.             catch (Exception)
      Y. K. `  V( N+ j6 d% i# T0 W
44.             {
    
45.                 strWebData = "error";
    
46.             }
    6 v7 [0 Y7 `+ A
47. 
    
48.             return strWebData;
    7 q% H# |% B; c+ G, B- |& _
49.         }

复制代码

4 x" f: O* u; m5 m3 }( v7 T& l. }

PowcAncn

weishaneweishane