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
' s* z1 }8 _. o) n- S% e2 M比如：
http://a.com/b
http://a.com/bb.html
. N4 j) O9 O5 p能自动去重复
7 O( I9 q. {2 b7 T. G

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   9 N8 S! t+ i+ e: W3 q' X4 l" {
5.             try
   2 A2 y6 X7 I+ ^3 Z
6.             {
   / p. n/ [8 y' V" Y2 a. \
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   + s' K$ z/ x4 |0 {2 q  e7 }
9.                 {
   $ y' \- _: C/ g" D. O4 N
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    & x1 s0 P* B, }6 z
12.                     foreach (Match m in mc)
    . n/ k3 ]! n: f" l  h
13.                     {
    
14.                         Uri uri = new Uri(url);
    7 Z$ _& t( K0 N% Z0 u$ a$ O$ A
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    * ]% x7 D: p8 T% t) z# s
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    ! s1 N8 {3 P5 {+ H* ?+ ?
20.                         }
    + a# o+ m' D  e% d$ I% }& o* D& D
21.                         else
    8 T/ [7 i2 X2 n9 \* t3 f' u4 f
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    6 e0 g  F$ p: p
24.                         }
    
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);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    3 U; Z9 |" Q& G$ P, n9 W/ M5 }
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    * q4 @* z1 a: g  K- ^6 i( f
31.                 }
    
32.             }
    / V- |( t2 n! B$ _$ ^1 L5 S1 C  r5 U" z
33.             catch (Exception ex)
    ( {4 T! M6 o6 Q$ D. d" u
34.             { }
    
35.             return allHref;
    : T* u8 T3 a: {2 }% O! M
36.         }
    3 Q* E  V: U" d& }8 G
37.         #endregion

复制代码

( W& r% \0 w+ \2 N; g/ R

1. 
   
2. 
   9 A& B  F) E4 z! p" Q& n
3. 
   % l: [' P/ v4 ?  m8 j( h  e
4. #region 数据去重
   ) _- s8 I/ w: ]0 ]3 ^
5.         /// <summary>
   
6.         /// List<string>去重
   ! Q( j  h4 ?! P0 N( i7 J% Q
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    : G- F" k7 U# F9 f
11.         {
    
12.             List<string> list1 = new List<string>();
    1 [( V) I+ m# Y
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    # l: I; v7 r' X# K
15.             {
    # Z4 a8 H( K! m& m
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    3 B$ o" l9 R/ H7 |+ K) e7 e
19.                     list1.Add(s);
    4 ]5 H0 \6 M3 C% l
20.                 }
    1 w9 l0 N6 `$ w
21.             }
    
22.             hash.Clear();
    2 n7 K7 @! \! F  `
23.             hash = null;
    
24.             return list1;
    # e) W9 N: s) K  k5 L6 {
25.         }
      U2 V- i( p: E( B3 R
26.         #endregion

复制代码

3 z$ F1 g+ l6 M" A/ t2 }0 Z" E
7 n' [# [2 n/ a8 ~

guys

李小冲 发表于 2016-2-26 16:17

6 Q) u8 h! ^$ G$ [3 Y1 E5 N十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
8 W: Q' M$ ]  G  ^' p1 {9 P1 K2 O十分感谢！！！非常感谢！！

缺少一个gethtml,用下面这个：
+ Y; X6 j! |) q. k

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
   3 g* s& S" ~. S" y" W/ C$ m
2.         {
   
3.             string strWebData = "error";
   5 t$ c* G7 L# S- S
4.             try
   / V- F1 ^. {" M2 w7 p6 E9 z
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   0 `, X; r0 S3 |9 p
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 a) J0 V5 n+ d" A" ]2 R
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   5 T" z5 c' Z, v9 q% `( g
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)");
    + D; a( W2 i* k
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。
    3 F8 d4 |6 T1 r" a3 K  ~$ r
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
16.                 //如果服务器要验证用户名,密码
    ( X9 w( y7 K/ T
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    # C: T! o$ C" I! d
18.                 //myWebClient.Credentials = mycred;
    * R, b: n4 T" ?9 \% \* 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）
    
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    
23.                 //获取网页字符编码描述信息
    4 i. H2 v: J# j/ b/ A3 s' A
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    ; T: u! q3 E/ H- R% F) d
26.                 if (charSet == null || charSet == "")
    7 {: R: R$ O& e/ ]8 ?
27.                     charSet = webCharSet;
    + y& b$ R" k2 [0 E; W" N: |- x. s
28.                 if (charSet.Length > 0)
    , t% c; {+ ~! ?! ~- D
29.                 {
    " S" Y) t1 j1 V; T$ m# }
30.                     charSet = charSet.Replace(""", "");
    ! s/ U: k  r1 c. Q6 b
31.                 }
    
32.                 if (UseUTF8CharSet)
    9 w; v4 @+ [) P  A" E
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    , o) ]' a+ B$ ?  _
35.                     {
    
36.                         charSet = "utf-8";
    1 Q1 i4 x+ y+ y% \5 d3 X$ ?
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    3 i& V/ T  g0 G. W
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    0 n0 t( e% X% A
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    " V  F" W# L, t! z
46.             }
    
47. 
    * ]7 ?: t, k' J
48.             return strWebData;
    
49.         }

复制代码

7 v/ j, }* N* K: g  R0 L# B' n

PowcAncn

weishaneweishane