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
" q, Y. b) [1 V+ k3 m比如：
3 U! V, N- t# i# E" z, O- _  Qhttp://a.com/b
/ `* f6 F# Y0 P/ k1 X4 C5 }http://a.com/bb.html
. k* ~* F6 ]! l: X7 `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)
   - F$ n( G! \$ w( s) @, E
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
     R4 `. F+ _+ ]7 p
6.             {
   
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)
    
13.                     {
    . p2 M) R3 f1 h1 q* u, W1 A
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    ' J: o) \( ^! T2 c0 D) U
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    . K! s9 k+ D+ e! K8 A
20.                         }
    
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    3 n: i! H1 b# c4 I( d
25.                         allHref.Add(fullUrl);
    ' K" B, l% w. a: y- I' _
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    . [$ u$ y! X. _' G0 V
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    
32.             }
    * w6 w/ L, S* n
33.             catch (Exception ex)
    3 Y$ C3 \  J9 r) T4 R+ B
34.             { }
    
35.             return allHref;
    & k  @* T* G6 T+ {+ U. ?
36.         }
    1 M. f) k; h* k
37.         #endregion

复制代码

1. 
   
2. 
   * n7 E: v( r8 z$ }& \3 {- ^
3. 
   
4. #region 数据去重
   5 n  F* G1 E" U2 R5 \
5.         /// <summary>
   . X% a  L+ ]- i! q" E1 ?# f8 r
6.         /// List<string>去重
   5 }5 j8 m  m  W5 z# z7 _9 B
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    & [5 h( C+ R1 K- b  H: Z/ }$ l
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    : W( G' n7 r5 N+ N" Y8 ]7 W
14.             foreach (string s in list)
    
15.             {
    / W+ v$ m0 @* V6 m: Y+ B: W
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    : n1 F1 J7 g9 E! m* y/ j
20.                 }
    - Y+ i" Q9 n) G( A* A5 ?
21.             }
    2 r4 [. b/ y7 Q
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    
25.         }
    ' p7 `) u3 a; t$ |' \( L# C
26.         #endregion

复制代码

. A2 i3 p2 D3 B
* F/ ?  f1 O( \6 r- j

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
十分感谢！！！非常感谢！！

/ u0 W; W7 Y4 r缺少一个gethtml,用下面这个：
' `) Z0 l# C" u" 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.         {
   ; G# ?1 C* P* {: T, c
3.             string strWebData = "error";
   6 ]" q% ]+ Y0 n% n
4.             try
   
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
   
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);
    & t9 t# \# L: g* L& ~" M' L* h/ C7 J
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)");
    
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    + u) S1 F% \; O: f& L
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。
    " E: E' R, R3 C3 i2 |) W2 r
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
16.                 //如果服务器要验证用户名,密码
    4 |9 ?7 Y9 K  l- C/ ], g8 {1 v% ?
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    ( o* j, l7 m; |/ O7 c
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);
    ; H- t7 X5 t( Z: s) u
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    8 C! e0 d1 d2 R6 R2 Q2 U" @
22. 
    6 V) R! F8 X. e- y5 X
23.                 //获取网页字符编码描述信息
    , `% h7 L: U+ j/ t. ~. P
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    # O  J8 c. C4 D* n
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    , m. T% i; j4 o0 n% W
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    3 e' z+ ?/ X0 h
32.                 if (UseUTF8CharSet)
    6 j+ y. u+ Z6 U& e! b
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    , \" ^4 n8 Z; A0 u( B
36.                         charSet = "utf-8";
    - U5 j, u# @& @2 m7 D
37.                     }
    ( |% K. X: r& c
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    ( R  |$ d3 V( ~2 t: ~
42.             }
    & @# D2 M6 \; l" O$ C- R" f
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    2 ?5 r  [0 G! a! y  U7 _
46.             }
    % W, b# f& b6 g, x9 R( I, _3 j
47. 
    ( R1 K' ~9 E/ w& H+ T, l: n
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane