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
! p: A& z- T% r; r$ P. t% R+ b0 y2 n# Whttp://a.com/bb.html
能自动去重复

李小冲

1. #region 抓取全站链接
   1 q: N2 \: c' Y/ L* d' I3 d7 d  I
2.         public static List<string> GetAllHref(string url)
   - h) A6 ]$ B( U$ I$ s
3.         {
   
4.             List<string> allHref = new List<string>();
   - z! ?4 e7 i) k: T! ?
5.             try
   ' p" u; X5 g) O% W0 t
6.             {
   : l1 L0 f9 W% Y) I" ]: @" w; X( l& N
7.                 string strhtml = soso.getHtml(url, "", true);
   % d" ~- y# {) N5 x0 s( ?4 A
8.                 if (strhtml != "error")
   
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    ! A1 F: j( P; e8 O( Y% ^* ~
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    " g* M' z/ S' \5 u6 l8 _
13.                     {
    
14.                         Uri uri = new Uri(url);
    3 x% Y$ C7 U! R# z0 E& t
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.                         }
    . S. I* B  q0 p+ B
21.                         else
    5 A  X: q$ V! j% N7 q
22.                         {
    8 Z' ?" O; R" G9 O) o3 I! D  Y
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    4 B4 ~# m4 X/ [; P1 s; A
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    5 G& V/ {1 u/ Q5 ]# N& y* c
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    ( L( r# H3 y/ b6 i; H
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    8 E& S( @' q7 U
29.                         //Console.WriteLine("…………………………………………");
    . Z) w9 h/ s* }
30.                     }
    
31.                 }
    
32.             }
    9 h2 V, t+ T  u% x: E
33.             catch (Exception ex)
    0 ~' J) i8 g5 j+ n
34.             { }
    $ Z; ?# i( Q, m
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

1. 
   
2. 
   # E+ `7 S6 T# @* H) Z  p# R
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   : Q4 u3 P4 b) q
6.         /// List<string>去重
   
7.         /// </summary>
   : z5 t1 n# h. w. o
8.         /// <param name="list"></param>
   : Z8 U  q4 L& Y/ k" J1 i* R/ ^
9.         /// <returns></returns>
   8 f; ?& M3 d) \' z5 S: ]7 g
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    0 X/ C  _( e9 j) a
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    + s- e, B1 A& B6 |5 q5 y# H! V
17.                 {
    
18.                     hash.Add(s, s);
    6 j. ?, M5 A/ Z3 }" b% P1 C8 I
19.                     list1.Add(s);
    ; ?5 t: u- R$ d5 r9 M
20.                 }
    3 Y% X; u, l# |7 |( f
21.             }
    
22.             hash.Clear();
    , p, ?2 y7 z0 t! w. R* }( z( w) p1 }# U
23.             hash = null;
    
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

3 W# @6 u0 ^0 Q( Z3 ]- P

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
, X4 a0 o# B) o4 Q$ N# F十分感谢！！！非常感谢！！

  A/ |: m# S7 W8 Z: J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.         {
   
3.             string strWebData = "error";
   
4.             try
   
5.             {
   1 j, y- W: }  b3 O
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
   8 V! S6 L8 J% o6 x
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)");
    ! {5 U0 _% y1 o0 u- s" ?
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;
    ! i4 N9 o- Q/ T+ e% I
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    & u9 _" r$ Y/ k: _* t. l6 o
18.                 //myWebClient.Credentials = mycred;
    ' K; E0 d9 M4 A# Y( f% r! n
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);
    1 `1 G+ g) O) m' Z8 E% T+ U% O8 n, v
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    
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);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    2 ~7 E# I$ E, `4 E
27.                     charSet = webCharSet;
    ( M3 b" t$ r& ~# J7 D
28.                 if (charSet.Length > 0)
    $ L  _1 F' g: V- n3 W0 g( v
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    & F2 ]& [0 t3 H& U8 y+ d
32.                 if (UseUTF8CharSet)
    
33.                 {
    : t( g3 f$ G5 W+ ?- \
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    : r% x: s6 M8 j% T
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    ) j# n4 r9 x" b  O( D$ p' k; T3 r
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    % T& J+ `  G1 p  q
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    : ~& y( N7 {4 g
41. 
    / a4 _$ _. h* L% h# f% e
42.             }
    
43.             catch (Exception)
    5 S9 `# e7 e5 v) ^
44.             {
    
45.                 strWebData = "error";
    2 U8 _" D6 D: E
46.             }
    ( x" H2 S, O# L3 ]' T. e/ I% I
47. 
    
48.             return strWebData;
    9 j" O! |9 P  {( ~! l
49.         }

复制代码

& ?" h" [1 s& Y8 U% q

PowcAncn

weishaneweishane