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
! `+ e/ g/ t+ N; m比如：
http://a.com/b
http://a.com/bb.html
# o) u: D3 |( U" X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.         {
   5 K5 s$ z/ q- J
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   9 j. M, j) K6 r
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
     g9 R0 S1 L3 q5 j8 ^0 Z
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    ' k( b8 m; a& o
12.                     foreach (Match m in mc)
    2 g8 E5 L4 b' P5 v$ |" b; }
13.                     {
    1 c/ o8 \9 Q! h& V1 Q& o. R
14.                         Uri uri = new Uri(url);
    , z2 h4 z5 \1 ^% C
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    ' E9 A' I- X, p+ K- p$ }4 Y
16.                         string fullUrl = "";
    ( ]+ w. `: R2 v$ A$ Q! W; ?' H5 }. ^3 Q
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    " T8 R6 w3 G6 _  u
19.                             fullUrl = m.Groups["url"].Value;
    - J1 W5 W! a3 N; H# w# P
20.                         }
    
21.                         else
    5 i. G# j, @& T5 T
22.                         {
    $ x0 O8 S) \$ j8 C
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    8 m' c+ P3 O+ P+ Q# @/ q( J/ m
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);
    & L: y$ x' |; k0 _6 z+ W. T% r
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    4 h9 S; }4 k; t+ s
30.                     }
    8 S  t: q* Q# d4 v& M- F# l
31.                 }
    
32.             }
    $ d+ y" S# W6 h# g& X* n
33.             catch (Exception ex)
    + Y6 j( Q3 h) V& H9 Y2 Q
34.             { }
    & y4 f" Q+ Y2 b; r* b( W3 T
35.             return allHref;
    6 _" V+ I0 _4 d0 ~) R
36.         }
    # J0 L2 F8 }+ i( M
37.         #endregion

复制代码

/ {% p, M, H) `, w
3 K6 J, Q( v& Y/ h

1. 
   
2. 
   ) O* w, T* X3 J9 D
3. 
   4 Q4 O$ F* A& K
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   : P2 N' H. m5 N
7.         /// </summary>
   
8.         /// <param name="list"></param>
   & \4 L7 {9 q5 p$ w, A4 o
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    3 i4 s) U4 B# X' ~5 A" u0 _
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    6 P& Q0 N5 n" r
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    # t0 |" Y4 Z# x* |: t
20.                 }
    
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

" b+ ^! V; b5 X十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
9 }/ ?4 C4 Y. G! [  Y; v* @6 B! w2 m十分感谢！！！非常感谢！！

缺少一个gethtml,用下面这个：
8 _# d* \" C; f/ E$ C

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
   1 G# Z2 L8 J' M+ T+ x
2.         {
   
3.             string strWebData = "error";
   3 x# V* j" P3 ]: V& \4 _
4.             try
   ' q3 d: z7 g9 Y% a
5.             {
   * n) d) v; P! S
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
   0 l2 l- R- M$ Q4 U- y; o& F- G
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   ' g$ G3 A# W1 z2 q3 n& \, J" P
10.                 // webclient.Headers.Add("Cookie", cookie);
    ( n' J" e+ l3 e7 f9 o
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)");
    ' V3 C" V. o+ y/ C
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    9 o/ g- Q+ q, G9 v/ M2 ~
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。
    / L$ h, N5 X" K" L* A
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    " t1 O: |0 j* m+ L" a" T
16.                 //如果服务器要验证用户名,密码
    1 W! J/ h' {2 S
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
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）
    7 W" l$ l) R4 A# p3 T& j# Q- y7 B
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    8 G: c, J- I  u1 G% U, R
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;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    + J5 f" \7 ?# ~+ y) s3 ]2 J* X# R# ~
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    ; V2 l9 l1 ~% F9 v! H
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    7 P' n2 L% X1 D- _: s& r" B
35.                     {
    " y! |, a) j: R# ?0 n$ r  W
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    4 G" v) j+ A  _2 h. H% v
42.             }
    
43.             catch (Exception)
    
44.             {
    " m6 _+ g4 h+ Q! x
45.                 strWebData = "error";
    
46.             }
    5 U3 t( L$ A% G
47. 
    3 J  x+ l. G" q. @! P' G; J6 _
48.             return strWebData;
    6 I3 k" D( x6 w, C; s1 |/ j2 P
49.         }

复制代码

PowcAncn

weishaneweishane