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：
( W. \3 g) H" }1 x/ Chttp://a.com/b
http://a.com/bb.html
' w' T" i8 c3 p% S( e& u能自动去重复
- A, E6 d+ f' |) d

李小冲

1. #region 抓取全站链接
   * v( U* z. a% t: f  _: P! x
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   8 U: o$ F3 c" p' H4 h! X" a0 `
6.             {
   9 P; J1 v4 o3 Z4 D
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   ( C8 ?" C6 c; h. l8 v( t8 ^) q
9.                 {
   1 ]& w  |3 ^; E
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    * I  ~/ [4 C& _4 j
12.                     foreach (Match m in mc)
    + M( w5 X/ d/ J# j
13.                     {
    ; j, E' f+ V& G- a+ G) X7 ]8 e
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    . d: \( Q' t* _! @  U9 \
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    & f1 V# O! E# q/ m
21.                         else
    / ^: P: a0 K- g+ M& u
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    * J2 _+ j9 e) k/ G
25.                         allHref.Add(fullUrl);
    
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);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    5 J$ e2 C4 t+ T7 ], m3 n
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    6 x" }- m. F- I
36.         }
    
37.         #endregion

复制代码

7 f$ _2 E! Z1 M+ U
2 V: \6 s5 M8 i9 `1 v2 W

1. 
   6 B0 p& p, Y9 X+ {5 w0 u$ C! I: m
2. 
   
3. 
   4 S- X1 l5 P. ~( E% ^
4. #region 数据去重
   
5.         /// <summary>
   # I8 k3 d: m5 a& E4 b
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   5 Y1 G0 D1 p0 {& D$ Q
9.         /// <returns></returns>
   + `3 s- z7 I4 U1 y- I) P: t0 \
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    * ^. Z+ R6 J& B; n$ l# ^
12.             List<string> list1 = new List<string>();
    2 ~9 {2 W7 x6 o3 L  S- ?
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    0 N$ A1 L6 G5 e$ o6 k7 H: z, d
15.             {
    : N( d* V: K7 n: u6 t; T/ U1 p
16.                 if (!hash.ContainsKey(s))
    / l6 Z' m  e) D6 ]& Y/ \
17.                 {
    
18.                     hash.Add(s, s);
    7 u$ W: X  N7 {, a2 K; ?2 _
19.                     list1.Add(s);
    2 ~0 l, C6 @) v' A; d7 L
20.                 }
    4 z. T, A+ O/ ^0 t- r: Q
21.             }
    ) n" G7 j6 f; P
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

) ~7 y3 n1 r) h$ c, A" c& j/ Q# |
7 H4 p+ b, s6 A

guys

李小冲 发表于 2016-2-26 16:17

: ~5 u' F& ]0 {" X; V5 q. s十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
' G, [, H! G% G1 S8 p6 B十分感谢！！！非常感谢！！

; t; ]  o" e% A; T缺少一个gethtml,用下面这个：
+ ^" Z7 Q9 C; n1 p

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
   . Y9 f9 d8 t5 u
5.             {
   $ f# g1 P' U5 H0 H; @
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   & L5 f0 n6 G6 X# N6 r) Q8 o
7.                 // 需要注意的：
   " @* J9 i- g+ j0 G" 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
   & r/ P, V( [4 `' E; J4 m
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   ; [8 [( i- U8 [' 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
    , Q7 N, `1 Y. H3 h$ I6 J0 D
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)");
    & L5 V6 |5 ~) H4 W, N+ e9 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。
    
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    " V. v* L* w, ]* @- o0 M
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    1 H4 \# _% U1 O3 G  G2 y- [
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）
    + n: G- h( z6 S0 \$ ?4 M
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    0 |9 N$ Z0 o8 B9 i
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    + s# T" o8 a1 O( W( \) v5 L
22. 
    
23.                 //获取网页字符编码描述信息
    % o- r: [9 N( g& @; S
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    5 i( A8 C9 p( Z! `  a+ k
26.                 if (charSet == null || charSet == "")
    # @7 ^  A& A( H- B0 k! K
27.                     charSet = webCharSet;
    3 e6 @4 F% Q, b" G3 }
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
      ]5 h8 `. e4 m: w, T
31.                 }
    
32.                 if (UseUTF8CharSet)
    " C$ `5 r6 P( y/ L
33.                 {
    - Z$ n+ _& {: C: Z6 n/ P6 k
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    & H; D1 [$ E3 c# f
38.                 }
    0 H1 k' }9 T9 @4 N
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    7 {6 r1 L( D9 X: ~5 O, y
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    0 l/ o' C& S* w8 J0 r$ a. g
41. 
    
42.             }
    
43.             catch (Exception)
    ; m' @  T- I+ G7 ], P- p+ V
44.             {
    " L. |0 f2 p( [
45.                 strWebData = "error";
    
46.             }
    0 t2 @* r- N# a) \+ p) O! g; [
47. 
    
48.             return strWebData;
    ; c( }* X1 |  R' v3 `8 o5 M) b( O
49.         }

复制代码

- e6 @/ J/ e4 E2 g

PowcAncn

weishaneweishane