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
/ O4 K3 c+ H8 J$ K$ e比如：
http://a.com/b
http://a.com/bb.html
能自动去重复
* I! h. U+ ~5 o5 x) D# h

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   
3.         {
   : d4 T) o1 H( Y
4.             List<string> allHref = new List<string>();
   6 _! m# U3 ~1 D* t
5.             try
   / w* r3 l0 C9 l1 ^& t0 F, ?! `" m
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   , Y. C# O; N4 h$ x: F7 Y) h0 _3 B: l. c$ o
8.                 if (strhtml != "error")
   4 a/ w; O  e3 g" b. [
9.                 {
     Z" j) T3 \  K  y" s* d
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    7 u+ K. h- p% e
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    $ M+ X7 `1 K. V3 \
13.                     {
    : K$ V4 Y3 N! ]* r" Y8 R
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    5 m, F  s7 g4 n
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    . t0 S) {+ Q# e4 T: q/ P: N
20.                         }
    
21.                         else
    & R) E/ L- \; v  T# V9 q* R
22.                         {
    ( w6 h& h2 ~+ c% s7 B0 y/ L
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    1 a, }( P4 h1 F/ E
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    % B; `0 D8 L2 B, M5 U1 S" t, C/ q
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    + ]+ M3 [, M8 |
31.                 }
    ! c, q1 U( h( x  }7 M) B
32.             }
    
33.             catch (Exception ex)
    & ]3 V& `! X$ \. C. U* r2 J
34.             { }
    1 s' j1 E. L* |# H- S) p
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

; @- P! O. p3 [" N* q) C

1. 
   
2. 
   4 f6 k- Y" u" N2 T. ~$ W" z
3. 
   ! s7 }# Y9 R1 h7 V$ d+ T
4. #region 数据去重
   4 E) a$ e) R) t  C0 M& H5 K! _, }
5.         /// <summary>
   
6.         /// List<string>去重
   5 E- Q. T) U+ z8 A
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   ) \' J. a/ l, _3 e3 D* q/ H! I7 R; p* ?
10.         public static List<string> getUnqueList(List<string> list)
    ; C% d; O% Z, |0 \# j) }
11.         {
    , b0 [) h5 Z2 l3 m+ Y2 ?5 l0 Z
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    ) P7 n# Z/ Q' W  P0 v
17.                 {
    ( B6 s8 I8 q% p3 \) L
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    ; `0 z$ p& Z6 a  \6 E/ M( @
20.                 }
    7 H0 g! C0 G4 d1 W; |
21.             }
    
22.             hash.Clear();
      g! P1 ^$ h4 M4 D& {! y
23.             hash = null;
    
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

% g/ W3 B1 O- y4 I" M1 N3 A% y

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！！

5 ~0 Y, w- ~- x  ?缺少一个gethtml,用下面这个：
: W. A' A& }# ~* }# R1 x; c

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
   8 \+ H+ x& n0 m0 w- E8 Z
2.         {
   5 E& s' s& \; \# e# ~+ m
3.             string strWebData = "error";
   
4.             try
   
5.             {
   . }* r* {! e) a9 m% ]* g
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
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
   - r5 v9 V7 w( a. u3 n4 @7 `
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   7 `4 V1 V/ e" O6 D7 f- x
10.                 // webclient.Headers.Add("Cookie", cookie);
    9 Y* G1 q# V) U$ |* r- G- O
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    + n: t+ R" L0 E  v: ?6 S
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)");
    6 U% u* f" a! C& F; D& P
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    4 U) q& m: f- f+ ?8 L
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;
    , b! u5 e: Z- o" X
16.                 //如果服务器要验证用户名,密码
    5 }" G* {9 N" t% n
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）
    4 I% b& D7 a/ }8 R  l7 ~: I- O
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    . C6 Q" C4 l1 \, T3 Y* |
22. 
    
23.                 //获取网页字符编码描述信息
    6 @* ^1 b  F+ R$ C* {' z) K
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;
    / g/ h8 s- O3 j2 R" r
28.                 if (charSet.Length > 0)
    
29.                 {
    # f0 b0 T, w! M5 `$ l$ z
30.                     charSet = charSet.Replace(""", "");
    9 p# x8 ]" ^) o/ a8 h, q
31.                 }
    
32.                 if (UseUTF8CharSet)
    ! ^( Y+ h1 I/ j
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    $ ]' W$ X7 g, p4 F/ A) g; y
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    " u5 I# E0 C/ D$ Q% p
38.                 }
    + i2 m6 z  Q% v
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    % c' Z4 R" n7 q' I9 \# f3 Z4 E
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    + a3 M/ q; p+ K' b: Z) c
41. 
    7 i* J  ]4 T- L% d
42.             }
      k" y$ w# a2 d" Q8 M
43.             catch (Exception)
    3 H' J7 x# R7 z1 m* b4 M
44.             {
    
45.                 strWebData = "error";
    ' [. B1 l2 ^# F8 ~
46.             }
    - R7 G. o* D* K' U& N9 S2 U) F0 ?
47. 
    
48.             return strWebData;
    ; P* H; b1 q. ?, ~
49.         }

复制代码

- h" K2 i  q5 ^- M' h9 z
/ w1 p/ k  g9 y

PowcAncn

weishaneweishane