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
1 ^! s8 c. l* R* `0 J" Q- w比如：
8 R+ O( Z7 o/ f$ ehttp://a.com/b
http://a.com/bb.html
6 e3 X2 J" B2 }% |" I- E能自动去重复

李小冲

1. #region 抓取全站链接
   3 x5 y. I8 Z) B2 _2 D+ @
2.         public static List<string> GetAllHref(string url)
   
3.         {
   . T( a2 F1 H  W: |, I
4.             List<string> allHref = new List<string>();
   
5.             try
   2 u) q2 U2 F3 `$ W- o  E# E  {
6.             {
   - X; `! j3 K7 n0 d9 D. [- e! F
7.                 string strhtml = soso.getHtml(url, "", true);
   ; r; ^7 k7 t: @/ w* t  }4 z9 f
8.                 if (strhtml != "error")
   / n* K& H1 D4 ^; K
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    + ?0 C0 s, x$ o" D  q# k0 L
11.                     MatchCollection mc = reg.Matches(strhtml);
    . R; i, q8 ?  ~2 K) h' }. E
12.                     foreach (Match m in mc)
    
13.                     {
    4 ?  l0 D( B. Y
14.                         Uri uri = new Uri(url);
    2 b: \1 N8 I: {
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    . S6 _7 q! ?+ b: }4 O' a9 O
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
      N/ S7 X+ m2 W: |' T
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    & G# _$ b1 `  X. n
20.                         }
    3 V( P2 Z/ e  ?3 o4 @
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    & A/ j( H1 Z& e% h; E# M
24.                         }
    
25.                         allHref.Add(fullUrl);
      |  [, O* r' i- x" l* r
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    / C! s# R$ Z' L5 M
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    + ^, o7 t7 D1 z. h! H. o" Z7 Y, w- M4 x
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    " |3 v2 P6 d" j
32.             }
    
33.             catch (Exception ex)
    & M6 u4 ?0 Q: E. L
34.             { }
    
35.             return allHref;
    3 k, o; d5 e( h+ \! \$ a2 V+ F
36.         }
    % V9 A+ W! x/ U+ ?. C+ R
37.         #endregion

复制代码

' {6 _7 R/ G' |. [) S: V

1. 
   + z$ I* K$ K5 j/ F1 u
2. 
   
3. 
   
4. #region 数据去重
   ' I' Y  E: H5 B; Q: q1 e. ~
5.         /// <summary>
   $ ]  F* o1 u6 A2 V7 V
6.         /// List<string>去重
   / p: _6 d5 m$ T3 G$ `0 y
7.         /// </summary>
   + `9 h& Y7 B; Z7 v
8.         /// <param name="list"></param>
   & Q7 ]/ \; S9 @4 L' ]: e
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    * O) F# s! y) Q) K* B5 O  j
13.             Hashtable hash = new Hashtable();
    4 U& \0 C; K: C8 q) F
14.             foreach (string s in list)
    0 n. m) C, p& {/ l! c
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    0 y/ [' ?5 O& ^
19.                     list1.Add(s);
    4 |$ \9 b1 d  Q; q/ c
20.                 }
    7 m" f1 Y* O; d& U$ ^2 c
21.             }
    
22.             hash.Clear();
    + g1 K: s6 ]- Y8 H
23.             hash = null;
    
24.             return list1;
    # E% X" V# s. c$ [" m
25.         }
    / Q1 v" G0 c0 K- _2 a7 Y$ g0 m
26.         #endregion

复制代码

' R: ]$ O6 S& ?" A7 m
$ D. y9 `" q* p, \" 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
十分感谢！！！非常感谢！！

$ m- q3 j5 a/ E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
   8 @5 @$ X  B7 @% [7 w$ y7 I
2.         {
   % w5 B+ Y% ~1 X+ j- G! P% j, n1 k$ ]
3.             string strWebData = "error";
   6 _  S9 U- o. A; o
4.             try
   * s  R" t* K+ {
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   0 j4 {3 G# {  N/ e# {/ r+ F
7.                 // 需要注意的：
   ' {& ^! x+ {% |; l
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
   / f6 E5 K; n# K. a* @% J
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   ; e8 A2 Q5 O$ C- t. x$ w" H8 w
10.                 // webclient.Headers.Add("Cookie", cookie);
    5 R8 `% e  _2 l. ^
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。
    * c, T4 s# a& m6 z
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    2 `) a+ S5 w7 L$ J; t
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    9 r' h- K0 n$ N' n* Z$ C
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 g2 {6 T! x) c( s( E$ M
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    4 H; {! Y8 o$ k2 k
22. 
    8 ^7 P8 ^4 W  A: ?
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 == "")
    
27.                     charSet = webCharSet;
    2 h% X: c8 M% T& d( W" T
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    9 [- j0 p4 r7 \6 q0 ?- C
31.                 }
    ' [! ]8 ?& H0 z4 u
32.                 if (UseUTF8CharSet)
    
33.                 {
    * |* Z* d0 S  [* y1 r) x
34.                     if (charSet == null || charSet.Length == 0)
    $ P  I0 K) t7 _  L0 [
35.                     {
    
36.                         charSet = "utf-8";
    0 P$ U6 u* K, K6 R& _
37.                     }
    
38.                 }
    ' X3 ^* Q7 ]: O3 D
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    - m9 H# V7 K- d% b8 K( T; v, c
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    " [* Y2 a$ k- J
45.                 strWebData = "error";
    
46.             }
    
47. 
    
48.             return strWebData;
    
49.         }

复制代码

; A3 S6 H6 g" \/ P

PowcAncn

weishaneweishane