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
( }; e+ `; p" N比如：
http://a.com/b
5 y, [. g! v( G# J  Bhttp://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)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   5 D+ B3 h+ h# p
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   , U! Z6 B0 Y) l: O  N" ], @3 ~
9.                 {
   % V% x5 v+ i1 B( \6 C
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    / S! K0 w" i9 o# G, o5 ]" a( I
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    ' K4 x: w+ q+ l% B7 j  Z: i& y1 x
16.                         string fullUrl = "";
    ! o. D1 a" c2 ~! S( ?& d6 ?1 O& N! B
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    : K8 t  D9 c+ d* |" I% y$ H
22.                         {
    2 f8 V' `6 ?1 M. y6 Q+ o
23.                             fullUrl = thisUri.ToString();
    
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);
    # D! e# [* T, f; P4 V9 A. T
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    9 N, n( Y0 m9 {/ T
30.                     }
    , k( P+ p7 P. y. C- P& `# L; ^
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

( Y) Q" N) }0 i& [: O& ~/ O" l8 A
1 H" y" z# d$ c

1. 
   : P( f6 ~; d/ W3 x; G
2. 
   
3. 
   
4. #region 数据去重
   ) a/ @/ P/ x! R
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   6 O/ H- C* _. e4 o) ~% m& x" w+ _' D
8.         /// <param name="list"></param>
   ; d4 M7 M1 l! {, [% Q: `; J
9.         /// <returns></returns>
   ! W3 x& f2 K! d$ s8 h8 Y
10.         public static List<string> getUnqueList(List<string> list)
      h) ^5 P, d7 X$ O+ x& u+ k) Q
11.         {
    
12.             List<string> list1 = new List<string>();
    - J3 S3 A) g9 l% d
13.             Hashtable hash = new Hashtable();
    ! S8 b6 U+ M2 Y# s  K& Q7 Z  k& a
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    # V. c3 }6 I, Y' U1 ~% y/ [% H
17.                 {
    $ Z5 u: R0 `+ {: O9 u8 w
18.                     hash.Add(s, s);
    ( f; k) H; `& H+ v% ~# N
19.                     list1.Add(s);
    1 t5 E# Z2 C0 I. h
20.                 }
    
21.             }
    , O# L+ p# \, @" e+ v0 t8 `( q
22.             hash.Clear();
    
23.             hash = null;
    ; R; f: I' \; `( e% A+ T+ a. G
24.             return list1;
    # |8 A- `& W/ t; @, x9 ]" R
25.         }
    6 V% I: h) L$ V9 q6 O1 Y2 J' R
26.         #endregion

复制代码

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
& e* `. T2 s4 Y4 {7 g( _, j$ h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
   , ?5 j. f' P1 k
2.         {
   1 U4 U; v, k# u  u
3.             string strWebData = "error";
   
4.             try
   6 `0 w6 o+ F! e8 ^; I! L1 {
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   - h7 p5 @" K- D7 J3 @
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);
    8 b( j' T7 n1 }! q7 o
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)");
    $ T: d0 l: F  c, T8 M: i# h
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    - d7 n* a( c, K/ |
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;
    1 C* @+ l! J6 ?/ Q3 F
16.                 //如果服务器要验证用户名,密码
    8 D! d2 t( v; R$ Q2 P, ]% |2 E
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
18.                 //myWebClient.Credentials = mycred;
    + a5 D" D+ E' F. ]" z0 }3 U3 M# n
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. 
    - ^) R! u! _( I  d
23.                 //获取网页字符编码描述信息
    ! [; R: ^2 f  e3 B# T
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    6 c4 F( a4 _( @, h8 L% f
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    ! C+ M  b+ ?6 ?. w0 W; ^
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    : n( ?& ^7 I& N% _# x& A
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    . W' T3 }: k9 b: J6 a
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    4 ^8 R: m& f% l
45.                 strWebData = "error";
    
46.             }
    4 V7 R: V' y9 o+ V6 \; H0 M8 P/ L5 a
47. 
    ! A4 v  K1 k7 ?
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane