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
# }- K9 p8 G6 E$ @: G8 Q/ n+ T% ghttp://a.com/bb.html
* H5 x0 D6 [( n' s" \4 O能自动去重复
) U! P+ h2 R4 b/ m

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   
3.         {
   ' j9 a( M7 L0 R  Z( B8 L( T4 }" Y
4.             List<string> allHref = new List<string>();
   3 m1 q6 h7 S$ @. o5 i
5.             try
   " o0 y  u8 \( B) G! z7 ?
6.             {
   5 T6 f& k& u6 d& {! H. k2 v
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    . y# g  p4 V$ s3 A
13.                     {
    . z. z& T. f# b) ^* M/ T* R; P0 _
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    ) m% ?& k; x9 M( j2 t7 M, H
16.                         string fullUrl = "";
    & C3 V( }, v3 {$ r. _8 E
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    3 `( s- W' q+ G- L/ N, D
21.                         else
    3 v  [9 h1 J2 D; r0 u
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    7 K: E$ x4 E4 Q  r  Q# B
24.                         }
    
25.                         allHref.Add(fullUrl);
    # S/ |6 U; s' ]3 V( z5 n
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    ! n/ I7 @; W$ U5 o0 H# N8 L
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    6 @! D: _* E) Z% R  @
31.                 }
    
32.             }
    ' i) O9 n$ ]$ }% @# ^' q
33.             catch (Exception ex)
    
34.             { }
    & [1 C: H: I8 Z- x; W
35.             return allHref;
    , W) r2 V) v9 G
36.         }
    . f: w/ B9 n0 F2 p3 N
37.         #endregion

复制代码

4 I0 c0 W9 `! s) F! C

1. 
   
2. 
   4 j; q( I1 a3 W: N+ L
3. 
     @8 M) N. D6 U6 k, p
4. #region 数据去重
   ; }7 A" n; Z+ ?- Q8 @" N/ M
5.         /// <summary>
   + A  p/ `6 B/ j* c4 y2 k
6.         /// List<string>去重
   5 f7 P0 S- `  }  A3 c) b7 [1 y6 r" A
7.         /// </summary>
   ! \/ r% p+ N- Q+ {9 b
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    . O0 `! w% a; O
12.             List<string> list1 = new List<string>();
    8 ?6 T" m+ H$ b& `  X
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    , c5 t+ O3 E, E* o$ t# w; E0 \
15.             {
    + v1 f1 {( e, z) t, m
16.                 if (!hash.ContainsKey(s))
    ; P; [" [2 o& u  t3 f1 y
17.                 {
    # K% g" t, P" p
18.                     hash.Add(s, s);
    ; U1 p& ^! \* w5 s8 J4 V( V8 u
19.                     list1.Add(s);
    9 j" Z, x4 Z% q6 i6 ~( D9 L7 B
20.                 }
    % K# m* y8 J5 K9 _& r
21.             }
    
22.             hash.Clear();
    ' [3 }+ |" W; \, p9 q
23.             hash = null;
    + r: F4 f; s9 i) W
24.             return list1;
    " R: H1 R6 y5 J9 n* [' x7 R0 Z* G2 B
25.         }
    
26.         #endregion

复制代码

  _- I$ j6 `& N; m  @+ i
* R4 ~# |( s, H' V1 }! @" g/ N- a

guys

李小冲 发表于 2016-2-26 16:17

) I8 l0 T' U+ z" s" ]十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
$ c9 s: y8 a" m, g十分感谢！！！非常感谢！！

& r6 T$ p. M7 d% {: ^" X8 Y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
   . v( x! q9 M! w# r0 V
2.         {
   
3.             string strWebData = "error";
   
4.             try
   + Z1 `+ j% r" ?
5.             {
   0 C8 ]. a7 T( v! Y% c
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
   ) G1 m) t: u% P+ z% ~
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
    . T, f$ r+ V' R
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 c. o) I8 T2 ?7 ?7 L
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    3 d& R6 P: j- f3 d8 A' Q
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。
    ! ]1 w( v" \3 A: C$ D3 t% V
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    7 I0 o$ W7 D0 o( s# v( }
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    " E1 ]' H% b- Z! q) U
18.                 //myWebClient.Credentials = mycred;
    ( q3 C, Q  ~. T
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);
    - X- k- P7 Z9 U: a3 R
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    6 N& @$ `* c- O! b+ m3 l3 M% Y
22. 
    # _/ }' ^) h  l, \  U# J, e
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);
    ' O& o& B4 V* [% z2 x! O5 c
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    ; j: R% ?; F4 ?. |* c1 {- I  L
27.                     charSet = webCharSet;
    5 d+ |( Y  H8 N* w" z& R
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    $ U9 d/ M- R, y& y' M
31.                 }
    / |! P# {, I4 C! V* T0 W) c4 O* |
32.                 if (UseUTF8CharSet)
    " J" W" L* [1 g% U
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    # }; K  D8 P4 O: ]. h; L
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    1 L3 R4 h+ r. B& K5 Z# z0 w9 Y/ A$ n
41. 
    " {2 M/ H% G5 u* H+ ?
42.             }
    $ t0 \! v% f! a/ m( R
43.             catch (Exception)
    1 B7 ^) U  \: K* \7 G1 z# k
44.             {
    8 i  |2 j0 \, r/ s
45.                 strWebData = "error";
    
46.             }
    
47. 
    
48.             return strWebData;
    ; Z% G7 o) f+ w0 W5 V& Z9 o7 u# _9 x; z
49.         }

复制代码

' s7 ^: ?$ m* h+ G' t1 Y

PowcAncn

weishaneweishane