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：
' x+ p% F: Z0 T1 h, ?: R7 Shttp://a.com/b
2 O- U1 Z, r4 Jhttp://a.com/bb.html
0 c: `' H" @8 U' ~( E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.         {
     P/ X3 X1 p3 O% z) e' y: e5 v
4.             List<string> allHref = new List<string>();
   7 K! R5 b8 g5 b) u. C
5.             try
   # `2 g- d& @# Z: a0 T  }/ Z' n
6.             {
   , Q( C/ u) m  A
7.                 string strhtml = soso.getHtml(url, "", true);
   3 x1 q$ D$ c3 P3 _, |6 W
8.                 if (strhtml != "error")
   
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    $ t3 J5 j3 l# P& z2 A3 p
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    ; Z* v0 [* D! P. |1 g8 S1 ?7 w
13.                     {
    0 u! e! L* O3 X( Z) Y+ n8 N
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    0 ~. z: f( I* z. a
16.                         string fullUrl = "";
    ' r' ]3 Z0 v( B$ r
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    & F* s! T) X) d' t# X4 f( W
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    / w3 U9 e: ^. w- g% p" {2 K
22.                         {
    # X$ ]# O$ |: I- ^
23.                             fullUrl = thisUri.ToString();
    1 H- l$ }' c  z3 w
24.                         }
    + M/ [) J4 }9 w" v$ S" r. P
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    ; I. L% K& L6 z  R( @
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
      K7 T1 r3 F" a0 P" q. k- ^- i! s- {* {
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    0 U' h7 Q# A, L! F8 I* L- V
29.                         //Console.WriteLine("…………………………………………");
    4 j! F! _; O7 F; L0 f4 A
30.                     }
    
31.                 }
    
32.             }
    8 L" V$ y: E, x8 \
33.             catch (Exception ex)
    
34.             { }
    ) \) L/ b% e  M+ s' {4 H& h
35.             return allHref;
    
36.         }
    4 O) X& P6 K0 m" \/ G3 ]6 J2 ^1 E+ ^# I
37.         #endregion

复制代码

1. 
   % s( U5 y7 a  {  e8 _. w& n* V5 u; o/ R
2. 
   ; }* ^; s. \; y7 [
3. 
   : q6 Y$ ~6 C4 A
4. #region 数据去重
   
5.         /// <summary>
   & n3 H: m% o8 o+ i- z- v8 h
6.         /// List<string>去重
   * h* c- D. K0 b# x2 M4 j1 [
7.         /// </summary>
   * t3 \1 o$ J, B' G( e3 y. V
8.         /// <param name="list"></param>
   - {- [  X; w6 y
9.         /// <returns></returns>
   9 q5 |+ v/ C% z: u- ~
10.         public static List<string> getUnqueList(List<string> list)
    ; b+ _1 R' L; c# s
11.         {
    / l* s6 Q7 L6 O1 |
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    ) g4 G+ x+ Z* N
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    - P0 y- n2 ?, d( Q& F
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    9 E. b% t0 y/ u, d9 Y
21.             }
    ) k) O# U  m: ]  z. p
22.             hash.Clear();
    
23.             hash = null;
    9 v# F  [% X7 `  m  x$ N
24.             return list1;
    ; \; K3 p" y) _) `
25.         }
    . r- {) t) }& x3 [. D' K1 F
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

7 E. ~7 R' }6 X. L5 H* T. j十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
- H' {' l0 j/ c7 Y9 r" ?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
   ( j9 B7 o+ q/ g6 `! ?- P7 a+ W/ @
2.         {
   8 h. y9 \$ z& g
3.             string strWebData = "error";
   5 R% {4 |$ y" p. z
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   8 n6 _& `5 ?: C  M4 K: M+ Q
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
   - t" d# {9 l6 A8 Y, U5 E
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   , x9 O8 S: p& l. g  T# n5 J3 Y
10.                 // webclient.Headers.Add("Cookie", cookie);
    + M, k2 G9 m; F1 p1 v( v- M
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    # j* B( f1 d1 _  T/ O& E# @
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)");
    ( b. y1 F! @% z0 D  l& b1 b) [, p8 p
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    5 U, W* R+ d0 _  ?; M$ H
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。
    ! Q# Q. u8 K; @
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);
    8 w, X0 ?* q' f) o5 X% y
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）
    ' {8 L7 d0 {; Y& _" O
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    ) @! U$ G5 G$ Z( n/ x& x0 \% d
23.                 //获取网页字符编码描述信息
    " i5 ^( T- ^3 r/ ~3 a- ?
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    ! ~( `' \4 W* b/ F/ n* K1 X
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    * `" J" r; G% z9 ?
28.                 if (charSet.Length > 0)
    + ?+ s2 u8 Z  U  B$ K
29.                 {
    8 v; O3 N/ a  F; O/ \4 ~
30.                     charSet = charSet.Replace(""", "");
    ! C9 X4 W5 r( K! b
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    3 s5 N6 Z9 F% B, n+ }6 C
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    ( Y  n9 E1 T+ f/ m3 t: y0 _
37.                     }
    3 m1 T9 ~. J  D9 R
38.                 }
    ; B( ?# ~7 y7 P
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    9 d: d( h% j: Y9 q6 T
41. 
    / m! o/ B, M* K( X2 h7 ?
42.             }
    
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    0 G0 r/ d2 t. @1 ^$ T: ?9 D8 m
46.             }
    
47. 
    
48.             return strWebData;
    
49.         }

复制代码

  O: s1 Y1 V5 A; ^8 w! A7 e7 ]; y( [

PowcAncn

weishaneweishane