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
& j4 w$ P* D* V比如：
! y3 I% H# f2 ~+ w6 M# y$ {0 nhttp://a.com/b
. C# y2 R3 f; h3 r# V$ q2 ~6 hhttp://a.com/bb.html
能自动去重复

李小冲

1. #region 抓取全站链接
   * [$ r; \. _# O0 D
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   & W/ }* f1 i8 T& {) S
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   1 h. H' p6 E. S9 B
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    & s2 z* h: [' T$ D, T' F4 \
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    * @3 Q6 C5 b; @- p( M  F
13.                     {
    
14.                         Uri uri = new Uri(url);
    # p3 A; u9 A5 Z1 k; N  n" L
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    , R: J8 U8 k0 p+ X' I+ d% @6 S
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    3 d) V! ~9 j+ I8 m5 N" n
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    $ I8 ?" A' ~. N2 p9 j
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    0 i* o' R; X  L7 O( O; U
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    6 @, H0 L1 H2 h+ N: ]
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    . p8 ~8 o* y, k3 X8 O9 Y* s- ^
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    8 u! w2 D8 x& a
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    3 K. l2 F3 W+ Z
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    4 [1 d3 h6 R1 ^  g  K' a
35.             return allHref;
    
36.         }
    1 c' O7 X0 Y$ G# [: T
37.         #endregion

复制代码

7 }4 u) U8 E4 z/ \1 h

1. 
   
2. 
   
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   4 L9 c0 q: }; H7 u" e0 d
6.         /// List<string>去重
   , A( K6 A3 H* a* P! ]& a4 N# m
7.         /// </summary>
   ) U5 y7 n1 Q$ `2 M
8.         /// <param name="list"></param>
   ( D. A% m7 B1 d0 f6 `0 O! H3 a
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    ' a1 |: j8 ]) ]% v
12.             List<string> list1 = new List<string>();
    , S2 \4 U/ j3 t9 c0 A2 [9 x: L
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    ) U0 Z$ q& H3 d( o
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    , P: J" ~. U* r4 W2 m
18.                     hash.Add(s, s);
    5 ?" {9 S5 `0 t! s& r+ ]% ?$ ~
19.                     list1.Add(s);
    
20.                 }
    * X8 H$ h- |2 K) O" g
21.             }
    # h. P2 x: i8 w: a0 o1 T/ q+ M4 [
22.             hash.Clear();
    ; u' ~6 S6 b, r1 z
23.             hash = null;
    . l" ]6 k9 F" c" X1 C" ~4 u
24.             return list1;
    1 U4 Q- _, a4 T5 Q) Q
25.         }
    
26.         #endregion

复制代码

$ k: {9 l) X6 k  |
6 J" S  D2 s! P, C: ?2 Y3 o

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：

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
   ) o* w# H; P: Q' l8 w
5.             {
   ) k4 A" t7 c5 Q2 }
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 k# Q1 ^; h" U" {% R, i, N
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   4 f  x' U/ w' P
10.                 // webclient.Headers.Add("Cookie", cookie);
    : |% }) B& f$ l9 W6 V6 x
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    / J' |8 c, c. J4 ~! f
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)");
      f7 r' a7 L! u3 V* l  G. u7 D( ~! P
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    0 {/ z/ K% k! n
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。
    # z' E. {! X# @2 s6 o" K
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
16.                 //如果服务器要验证用户名,密码
    3 i1 J: O4 ~# z% k' M9 q: h! Q
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    4 p1 B/ {2 R# j* j& x! z
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）
    ! {9 |1 w' u3 Y. ]1 U# e; c  e: p' D
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    ' M8 _6 u7 }  l( O; y, m; M
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    3 m* R" q. G- _9 O! O- _
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 == "")
    % ?$ o5 D! w: `6 E# n, Y
27.                     charSet = webCharSet;
    5 q8 m' B( C" V$ o" y0 N
28.                 if (charSet.Length > 0)
    0 X* H) x' f* u, @
29.                 {
    3 l3 h( F& T! @
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
      P. c4 i  d7 J! U
34.                     if (charSet == null || charSet.Length == 0)
    $ q6 U, n) q! y( D* B1 ^6 n
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    , u1 v6 ~1 F* P' g
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    ! m) u6 x8 G( H
43.             catch (Exception)
    ; u& J1 i6 J; p0 s8 y( }" f; Q1 T
44.             {
    
45.                 strWebData = "error";
    
46.             }
    
47. 
    6 K8 O' M- B9 j1 }7 q& `8 {4 d, w
48.             return strWebData;
    ! z# T9 i  @) d5 Y$ T
49.         }

复制代码

. c3 Q+ Z; K6 P* P9 c/ {
- k1 c" F6 N" ?8 ]/ N9 H6 [

PowcAncn

weishaneweishane