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：
( \( K. p: z  p, Qhttp://a.com/b
2 W: g- y( h. Nhttp://a.com/bb.html
能自动去重复

李小冲

1. #region 抓取全站链接
   4 v- K7 H5 r5 `
2.         public static List<string> GetAllHref(string url)
   
3.         {
   5 M7 c- s; ~, W$ N" w' ^
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   - ]" r9 H( e$ [* e- G
9.                 {
   / `( R: i" o4 H7 w( d" P
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    0 P* i: R' z7 i, P7 K  Y
12.                     foreach (Match m in mc)
    7 |4 s. d, n& y# L. H* `: X* ~0 R1 z
13.                     {
    
14.                         Uri uri = new Uri(url);
    + w( ~! I, i# t$ L7 s7 Z% _
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    0 T  b8 W4 A( `+ l. [
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    $ S) S' W% t3 z7 S* T
22.                         {
    9 B. o& D9 h+ @$ Y" `: o0 d. z* a
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    ; B, @$ Y8 s& t: g. o8 v
25.                         allHref.Add(fullUrl);
    " f% E& q/ T) p. R& W1 p8 U
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("…………………………………………");
    
30.                     }
    % D8 [" G/ b0 m, ]  e& w8 t
31.                 }
    
32.             }
    ) ]5 \3 o. v: G" ]9 E1 d5 A9 `
33.             catch (Exception ex)
    
34.             { }
    . m: o( f. x6 |, C  T6 `" a9 E' ~
35.             return allHref;
    1 p  b+ z3 m; C' _! |9 l$ o- Z
36.         }
    " ]( S- R2 v0 n9 }4 f9 v% [
37.         #endregion

复制代码

' H7 Z( C& P3 c; `* ]5 B' Y
) E% f4 g; s* x

1. 
   
2. 
   ( ~. t% L. M: M/ N9 l
3. 
   
4. #region 数据去重
   9 R9 A% h6 h3 j, V3 g% l8 P: j
5.         /// <summary>
   3 Y/ y9 D9 e6 }* C4 V
6.         /// List<string>去重
   % r3 M' {& `' s8 ~9 i
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    1 Q, k9 o1 p  l+ y$ ?8 q
11.         {
    : X* ?! q. X4 l; f
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    9 b/ R) Q# ?2 L  K- L, b! |7 u
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    " B$ c. X) J. M; `0 x
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
      G/ W- f' a# i+ L; C+ n
24.             return list1;
    ( B( I8 D$ {/ e
25.         }
      K. t2 m  J1 _% j0 `0 {7 ^( [
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！！

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
   7 h0 \3 t( a7 F5 g9 }
2.         {
   
3.             string strWebData = "error";
   % W+ H9 ~$ B! w% _7 _) e
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   - e* F2 K% t  }& d3 L! {- O$ [& h% w
7.                 // 需要注意的：
   + m' n* E4 H0 i; B
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
   : z! U) c, j0 J4 }9 O3 |
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
    . B6 k; ^; G$ a# |
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)");
    0 n  t5 v8 Z% A' u. d
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。
    
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;
    0 e8 `6 v  L: {* {+ V/ L
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）
    , A& ]* c* A4 u6 d; M& `3 `( \
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    0 w% i& b, e. p2 M! Z8 T
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    8 A( }  v8 l+ X5 D, g: P
22. 
    4 @5 X  ^$ m1 f+ `4 t7 H0 s
23.                 //获取网页字符编码描述信息
    1 G3 ^0 y) `' R/ H
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    6 }" }6 B- l5 y2 g3 f5 ?4 P
28.                 if (charSet.Length > 0)
    - K& x1 Z* K3 h1 S- u
29.                 {
    , F" W& E! x( r* `2 d9 Q
30.                     charSet = charSet.Replace(""", "");
    ' M' X2 a; o- z
31.                 }
    
32.                 if (UseUTF8CharSet)
    ! r& ]7 [0 t  k2 T6 ^
33.                 {
    2 ]5 r, B3 K. s* s- S
34.                     if (charSet == null || charSet.Length == 0)
    8 |6 J$ }* z7 Z1 k1 o
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    & {+ R  j7 q6 c0 e; M
38.                 }
    . d  k: s1 {! e% I
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    . q& I8 ~8 U0 ?
41. 
    * |4 L: m3 u+ k- ~
42.             }
    
43.             catch (Exception)
    0 j% l) u: N6 v4 L
44.             {
    
45.                 strWebData = "error";
    , v1 d+ G7 v1 x* A: a( h+ a" {
46.             }
    4 \( h; D1 k0 \; w% Q. M
47. 
    . e, u! Q( N! ^* F1 U! O+ J
48.             return strWebData;
    2 N' n/ m9 z5 U
49.         }

复制代码

, @3 U7 i, L2 C* }7 H; b* ~! D

PowcAncn

weishaneweishane