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
. Y" I0 l6 B6 {: i, p/ \9 a; h7 w比如：
. Z( ]# A- _' T5 W6 c# I/ nhttp://a.com/b
: {( ?0 V" X3 A4 Hhttp://a.com/bb.html
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)
   & Q  |% h+ ]+ y9 u+ Q
3.         {
   5 Q, V8 R( Q* F
4.             List<string> allHref = new List<string>();
   % k& V" I- m' ?+ h: ~
5.             try
   ; s# ~! }: |. B
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   0 D8 C& d3 K* l2 Z) d
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    & Z- @' d& U! w/ D$ C
12.                     foreach (Match m in mc)
    
13.                     {
    ) n6 Z: i/ H4 m5 J
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    0 I' N7 w) U, {4 r: {
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    . }8 g1 \; H9 g$ }1 N
18.                         {
    $ Z. a1 T/ K- H2 Q- b# R
19.                             fullUrl = m.Groups["url"].Value;
    3 `$ C! w" v0 s: J/ |& M
20.                         }
    
21.                         else
    
22.                         {
    + d$ q% C. V- G5 ^" \
23.                             fullUrl = thisUri.ToString();
    6 C4 S% V1 d, i2 c  O4 C+ k: W
24.                         }
    
25.                         allHref.Add(fullUrl);
    ' p3 A8 ~: Q* E7 }4 L7 R( y
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.                 }
    & }! p5 O" n. a$ \# W
32.             }
    
33.             catch (Exception ex)
    5 R* d* {; m8 Y: I  y
34.             { }
    1 c! G' k: \- }* ]& C
35.             return allHref;
    & x& }) b% b" k' _# u/ z
36.         }
    
37.         #endregion

复制代码

7 K8 F# H6 \7 [: a  q0 z6 I+ s

1. 
   
2. 
   
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   / L0 K: y! ^5 z9 [
7.         /// </summary>
   " a+ C+ T6 N& y( o4 a6 l* `+ P: `0 y
8.         /// <param name="list"></param>
   3 h: _% k" |- \
9.         /// <returns></returns>
   4 N9 e+ \" x# _2 h& K" |* L
10.         public static List<string> getUnqueList(List<string> list)
    9 e' o. d0 g  E! r
11.         {
    
12.             List<string> list1 = new List<string>();
    ) d, u$ D7 _% z3 b0 \$ O1 M' r
13.             Hashtable hash = new Hashtable();
    6 L% V" A# _' K  s
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    , _: h5 g- k9 T5 ]$ ^- B) E2 x5 B
17.                 {
    
18.                     hash.Add(s, s);
    1 q* \2 F0 C1 ?  a
19.                     list1.Add(s);
    
20.                 }
    9 F% a, |2 J: |: Q& C
21.             }
    
22.             hash.Clear();
    . f) f1 D& L5 X2 w  `* T
23.             hash = null;
    
24.             return list1;
    
25.         }
    / @2 c; \6 T! r4 Y8 X# q/ o
26.         #endregion

复制代码

7 l" Y- n' x4 |% M* Z7 h
& E7 J2 W  |4 x: g! c  L& g2 R% Z

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
& g1 ]% F9 e& Z; i" V# h) b" \. r) i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
   + v8 l0 r# h# P& J
2.         {
   ' w1 V' F8 e- s2 v( v- {) S
3.             string strWebData = "error";
   
4.             try
   1 i& T/ x& v- M% F
5.             {
   
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
   3 h, F! s$ s( ^1 x
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   
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)");
    3 n3 m" f' K; g. _+ P2 G
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    1 {% U( P9 {- L2 v
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。
    ) x1 y) h- f- w4 l
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    # H8 P/ I; ~$ {
16.                 //如果服务器要验证用户名,密码
    ; B: F1 S0 ?! B8 Y  I6 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）
    
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    % G9 m: D- S0 F# h+ ^0 |
22. 
    ) y4 Z! x! w+ s2 ^- B
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);
    2 ~; B0 ?$ n  i+ t2 Q: }
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    2 I( p# H& H/ Y4 e
26.                 if (charSet == null || charSet == "")
    & C) ?& ]4 m( J. b
27.                     charSet = webCharSet;
    5 \, e7 g7 [) a8 Q5 Q/ m  {  s9 `
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    . t7 \. t! K) E
31.                 }
    8 \' a1 P5 r* W0 x( t, f
32.                 if (UseUTF8CharSet)
    + X8 N' L4 J. [
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    * H1 N& j. w; W6 _* ?
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    " y0 c$ v. T; D9 {$ ]" H
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    * f; _/ w) \) x2 D  o, l8 W0 c
42.             }
    ' D. k( X) y8 w+ ]6 x/ ~
43.             catch (Exception)
    
44.             {
    5 ]0 D- s) g% \4 e* X9 r1 F
45.                 strWebData = "error";
    . |: B8 s& L% \! f
46.             }
    
47. 
    ! N: n+ V$ Q, ^8 ~4 m, g
48.             return strWebData;
    " N7 F  v/ {7 t, V) E( b
49.         }

复制代码

PowcAncn

weishaneweishane