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：
8 |9 }3 b& _3 K* }& l" f% Q% ]http://a.com/b
http://a.com/bb.html
能自动去重复
: D, C" N% f3 t/ ?& D$ g& G. W

李小冲

1. #region 抓取全站链接
   1 I8 l+ u( {7 S% w% w0 X5 Y9 s: z
2.         public static List<string> GetAllHref(string url)
   8 t7 B3 j) C  @- c
3.         {
   4 P( K( p0 @* c, v$ @) J! g+ |
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   6 ^8 Q8 Z( _" u# w, A" m& e; c0 E
9.                 {
   1 e) N3 j" [" n
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    " s2 |( S. j9 c3 K
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    ! m) b) E4 e, q5 V
13.                     {
    
14.                         Uri uri = new Uri(url);
    8 m8 X$ `8 h& F0 V) b- H
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    / X# ]  b; e! C2 ], f+ N
16.                         string fullUrl = "";
    8 u3 X7 [9 j* A
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    & s6 d2 d2 @) p+ o5 x2 ~3 U  Q
21.                         else
    9 g- }" j2 g0 X) e* }
22.                         {
    ; W! ^3 m3 o+ W# v: \' H
23.                             fullUrl = thisUri.ToString();
    ) f% G; t/ w. [# w6 ^. l' f
24.                         }
    
25.                         allHref.Add(fullUrl);
    0 ]; G& M7 U5 i$ L6 O; D
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    # k2 i) H. o" `! }
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    6 w. p$ O: f2 j. Y/ y6 O5 V
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    7 P( P  q9 F& B3 ^
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    ; e. r& S8 K0 D; a. X, p" w
31.                 }
    # R. _1 b2 h* N+ T; Z
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    ! s9 e4 a7 ~+ d, U
36.         }
    
37.         #endregion

复制代码

1. 
   + G8 Q- l1 G: L! N& A; c
2. 
   3 s0 ?: S1 y+ _4 h; h. m: U
3. 
   
4. #region 数据去重
   ) a* m" _: X! r9 v9 P
5.         /// <summary>
   ) _) U% X5 t, C/ s5 I
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
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)
    * P: V1 ?5 d, f' e3 m- b8 ~
15.             {
    9 ]' f5 ~$ [# w3 D5 a( v
16.                 if (!hash.ContainsKey(s))
    ( L! O! F# s7 V' c4 C
17.                 {
    5 i/ \5 y5 b; q& @
18.                     hash.Add(s, s);
    ) f* d) x5 [5 f
19.                     list1.Add(s);
    : }6 n+ y  R  h0 X# v: y- T
20.                 }
    
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    9 {* Y6 j$ H! h, ~9 t
24.             return list1;
    
25.         }
    1 f+ r! O/ h5 o
26.         #endregion

复制代码

' n) f3 S& l& o

guys

李小冲 发表于 2016-2-26 16:17

, a9 R% x- g9 q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：
' x7 ?3 I/ [2 t3 {& f. s2 i

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
   ' a1 R9 ]) h4 I  b  ~* ?% p
2.         {
   1 w% C$ ?. ~# t: F
3.             string strWebData = "error";
   / e1 a* O6 L' r3 }2 L- Q
4.             try
   4 t5 R5 _+ }3 N6 Y% e1 ^
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   ) G0 S, @% E- ^) V6 I
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);
    3 c# g6 Y) n$ T1 U& m: q; \
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    ' G- j. v% |9 q+ J  Z' `% M
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% ]1 g; v* c* M  T
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 ^, D% O+ @  Y' _! Z  {# U
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）
    , t8 N4 T8 A7 W" N
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    4 a  m  b( c- m1 k9 t7 U4 V1 L
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    ! \  a5 G" [" n& p# I  _. U
23.                 //获取网页字符编码描述信息
    + _# J% n8 k+ e6 Q8 }; Q3 d
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;
    ( c& w( h: m* q6 y
28.                 if (charSet.Length > 0)
    ! y: U  ^& V$ e' J" y
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    ! S! @: j4 e2 Y
31.                 }
    1 o: H& }, B! O9 L
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    , K5 W1 G$ T9 C. Q
35.                     {
    9 _; P: t2 l$ M  C1 p1 h
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    / g; [/ `8 C" H# Q$ I/ v+ q
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    8 X& x6 [% @; D0 u7 P/ V
41. 
    1 f* E$ ?6 G& O& }9 Z5 `
42.             }
    
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    
46.             }
    1 |, a1 i- J6 x% o8 \) e6 _4 L  Q
47. 
    0 ^! u2 M# I! F% S1 g" a! y1 I3 g
48.             return strWebData;
    " D4 k* u) g! c2 S
49.         }

复制代码

: c5 x! F. v6 l  ]( N$ S
$ m: F' F+ Z+ ]) {8 F( T+ @5 s

PowcAncn

weishaneweishane