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：
http://a.com/b
2 k- {& L2 I8 J2 L8 z% Ohttp://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)
   : d- d6 K! i. e5 W3 X) y6 `7 s. ?
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   0 u% B$ i& A3 _  x# A3 W
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   $ P1 E6 u0 P& p, o+ h. Z/ U0 z7 \
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    8 g5 @# C* M: e! D4 F; s7 A9 O8 V
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    
13.                     {
    2 |/ T- t, `9 X. ]& N7 b, S
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    ! @( d) v" v' c- @$ A' S. A
16.                         string fullUrl = "";
    / O% t6 d& V" t( l$ U  o
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    7 H; a6 z; U: X2 m7 Z$ k
21.                         else
    * T5 q/ B: ~: g- z/ L- @
22.                         {
    / Y/ P5 ?1 ^' e9 q8 K/ z
23.                             fullUrl = thisUri.ToString();
    4 t/ X% _: d) z! D2 {2 N4 h
24.                         }
    0 R  f5 |' Q: a. Q* T: @
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);
    * O- v% C( H; {( c+ `
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    " p' w$ \3 H$ v: P- T: g' |5 R
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    
32.             }
    % X+ w; \9 T  }% r! p! Y
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    % p" ~% r% x7 y1 H
36.         }
    . B" I7 E3 L" D4 w- S* X) u5 b0 X
37.         #endregion

复制代码

1. 
   6 h1 i5 V/ y0 v0 t$ ]$ ]
2. 
   
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   ' W2 {% h5 D2 Z4 I9 t
7.         /// </summary>
   + F/ X! T8 x* y' H! |+ T
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
     g+ S7 G5 @9 I$ u4 X9 N# n) k
10.         public static List<string> getUnqueList(List<string> list)
    0 C# B2 r5 Y* z: V
11.         {
    4 k6 F8 F- J9 v1 v6 d
12.             List<string> list1 = new List<string>();
    & T0 L* @& {3 M! y+ Y9 a  I
13.             Hashtable hash = new Hashtable();
    $ u! z& ^1 B% E- f/ W/ M
14.             foreach (string s in list)
    + r9 ~4 f/ F1 V9 g* M+ t
15.             {
    
16.                 if (!hash.ContainsKey(s))
    3 N3 _6 d( z! t
17.                 {
    2 i' Y8 K1 s( F( [
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    % e. I$ B$ k! K* w8 u
22.             hash.Clear();
    . ]3 _6 u; D: @# ^! R
23.             hash = null;
    - x. t' a! f" X. t5 |% j
24.             return list1;
    
25.         }
    ! h$ p6 }- k5 h# A/ S; r: W( w$ L
26.         #endregion

复制代码

4 r0 A8 J8 M6 r8 @* w% T$ N4 S' G( h  c

guys

李小冲 发表于 2016-2-26 16:17

1 L. s/ _: }7 M+ v) F" B4 S8 e十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
( ]" _2 I9 c3 |' r7 A) y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
   % ~, f, g2 D1 ]0 a
2.         {
   
3.             string strWebData = "error";
   
4.             try
   ( Y! h  A+ e% U" C0 p
5.             {
   2 L4 L8 P. y5 Q# _' ?* Y' x
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 L) T: i" _5 v' K( e% s0 ~3 V1 W
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)");
    0 s6 {  }! B5 g3 H$ n# w$ v
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。
    
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    ' @2 J, N0 |) P& m, \
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
18.                 //myWebClient.Credentials = mycred;
    0 y$ W6 Z! C/ R$ V* p0 r/ G
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）
    ' O3 D8 ~& P0 P' x
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
      T9 r! c, ]! k
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 == "")
    9 x' Q4 _8 e3 }
27.                     charSet = webCharSet;
    $ J$ U3 j" H2 z& O9 t% p$ w4 g8 Y
28.                 if (charSet.Length > 0)
    5 ^4 u4 ~) n# k) X, W
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    7 B9 I# i' S. r7 f. l
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    / L9 m# F0 M+ ]# u, x0 X
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    9 D, u9 z" e, K. ~8 K2 Y1 y
36.                         charSet = "utf-8";
    0 p( o* i$ [% R  m
37.                     }
    8 P/ y: a0 F! m8 }# ?
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    3 @) y- m" A! O
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    : [* ^4 b, }4 W
41. 
    
42.             }
    # [+ n4 G9 Q+ j+ L8 R/ j5 T
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
      r! E7 Z: E2 m3 N/ U
46.             }
    2 Q4 M$ {8 f& I& E" `. e8 \6 [
47. 
    2 q/ e: {; l# f4 X8 |
48.             return strWebData;
    9 J( T" B: ]1 D( w. J2 I) h: _5 \$ m& Y0 ^
49.         }

复制代码

9 W9 \) @  ?" c) P

PowcAncn

weishaneweishane