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
" o0 t2 H' n+ p0 O* X' S比如：
$ e6 c0 u1 _$ Q" c/ @" e" Xhttp://a.com/b
http://a.com/bb.html
能自动去重复
8 z( b& Y( y- ]) o6 i# t- J

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   
3.         {
   ' q* I2 f: n. Y  S- K! r2 i
4.             List<string> allHref = new List<string>();
   , I3 a: A8 X. u5 C/ @& }
5.             try
   ( ]$ e. ^; D: W/ d$ Y3 |3 b1 z- Y
6.             {
   3 Y; \7 C% b1 i3 V% y6 V! L; |
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)
    ' a* d+ S4 C+ W4 K8 i& {' C5 e
13.                     {
    
14.                         Uri uri = new Uri(url);
    " N& H5 x! w- f* w! `; ~# \
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    6 Q1 T: X& Q7 w, x* K  ]* V
16.                         string fullUrl = "";
    , P1 d3 o( M+ a% q
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    3 A- a% y$ e  h( _/ q; q' k* {5 I
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    . @8 c' G. b$ F
22.                         {
    9 `& Z- x! z* ~5 j$ a* \
23.                             fullUrl = thisUri.ToString();
    1 w+ c2 P5 }1 u7 M3 y* k
24.                         }
    7 }0 Q; j0 j; m0 W; H3 g8 L  {
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);
    
29.                         //Console.WriteLine("…………………………………………");
    + G1 N# j0 ^# D8 Q: ~# [% \6 e0 W
30.                     }
    
31.                 }
    2 X. V. T& ?. g( G
32.             }
    
33.             catch (Exception ex)
    * C' f. e" l2 L5 p2 z! b
34.             { }
    7 q+ n0 d2 s! j
35.             return allHref;
    - M+ F& z4 @& a/ L) d/ R* A
36.         }
    & U! Y& B# U+ L( f, W
37.         #endregion

复制代码

7 d: V( \/ P& y1 u3 y, [" b; e4 M/ C

1. 
   9 s. _9 e) C- O$ A" x( e
2. 
   , r: p( Z6 G* Q0 |8 ~- N
3. 
   - c$ j0 T9 \! d  x- m
4. #region 数据去重
   & s3 i6 `# Q& K, E
5.         /// <summary>
   
6.         /// List<string>去重
   - V& o, k- c6 X
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   7 p6 X4 Q7 t8 d& C/ c) j! g% ]9 M
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    + R8 i9 _8 t( S- T! ^
17.                 {
    ! w- J2 t5 N0 }5 g+ V# j3 f
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    " ^, C& A7 }4 s. `6 A
21.             }
    
22.             hash.Clear();
    & R; y0 ]4 ~4 ^  o. i, \
23.             hash = null;
    2 J# G3 R! ]2 F" {; P2 e' g2 {
24.             return list1;
    
25.         }
    
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
十分感谢！！！非常感谢！！

4 k; B  o# k: c& z缺少一个gethtml,用下面这个：
6 s5 C/ d* e) h* \) C8 J2 ^

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
   * n& |5 f3 P4 G; R$ E
2.         {
   6 G* w2 |3 x) P2 `
3.             string strWebData = "error";
   
4.             try
   . B  A& d& S0 c* c2 ~% B1 o2 ?% x
5.             {
   6 ]& f  x) p/ R$ g
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   1 v2 O: z: m* z- d
7.                 // 需要注意的：
   9 A  C/ U( U! \' T1 _. s, L* C
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
   8 O1 j7 @; V9 D1 K" n
10.                 // webclient.Headers.Add("Cookie", cookie);
    9 Z' J- u, e+ E. P* z0 D: l7 q
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    ) j  _9 x2 f$ _: A& V
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)");
      l( p% \$ d- W. W* e1 t4 c$ S; O/ N  g' N
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。
    : _# P6 Z. Z, X
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
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;
    
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）
    5 A' L% I6 M" ^8 {8 N' E. A2 I/ `0 ~
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    : i( `: G1 E4 O9 ], b
23.                 //获取网页字符编码描述信息
    $ B9 o* }9 N: a/ P. ^& \
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    0 `+ l  k& x5 P/ c8 z
27.                     charSet = webCharSet;
    0 N) o  l1 u% t6 \/ A7 w, r
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    2 g! w1 i$ i# A
33.                 {
    - J; A9 K3 C+ A% F0 D' [+ _$ G
34.                     if (charSet == null || charSet.Length == 0)
    1 @, P6 h6 ^* K
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    6 k3 i/ K6 ^5 O0 `' t# S
38.                 }
    4 ^1 R+ K- Q4 ]  d8 z6 @1 z
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    - X* k. ~6 Q0 y
45.                 strWebData = "error";
    
46.             }
    
47. 
    & [; j4 O2 k3 Y& `/ M- r
48.             return strWebData;
    / W& ]  `4 h7 m; k/ x5 d6 Q
49.         }

复制代码

9 r% U( [( K6 I8 J2 a
- `7 a+ s% ~/ P2 }

PowcAncn

weishaneweishane