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：
http://a.com/b
, p3 d' x% [- Nhttp://a.com/bb.html
% I: q$ b! T5 v) U% \: z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)
   / d: r0 Z0 ^% g, C6 A- }* o
3.         {
   / X1 e' l0 x% x3 \
4.             List<string> allHref = new List<string>();
   
5.             try
   ; }# I6 e" P" }4 k
6.             {
   
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);
    & L& Z; w9 C" B5 I: }- g- ?! p1 N
12.                     foreach (Match m in mc)
    ; D3 L' k# k; f# X  O
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    . n! U; \% M% y
16.                         string fullUrl = "";
    . _3 v, _- h$ X" R2 G& _( P! w+ ?
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    4 S! M3 z) d& g0 o! l
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    , h2 a; F, r3 O; {/ i8 q
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    2 P; m' D  b0 j+ q
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);
      J1 Y- }( T! X) [
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
      L/ N) c& Y: p0 j3 W6 v1 x
32.             }
    - ?8 X4 T/ x0 I8 T, @
33.             catch (Exception ex)
    4 C' l* M7 F; `7 H! O3 Z& `' U
34.             { }
    
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

1. 
   
2. 
   / j' D. s) ]/ `
3. 
   % e$ |5 t- b( m# z
4. #region 数据去重
   * h" c  U* N( v9 U, W" m6 {" v
5.         /// <summary>
   * S+ B& p1 ]0 \- ]: T, Z1 e+ R
6.         /// List<string>去重
   
7.         /// </summary>
   9 Y  i  R/ |6 Y& _5 c) L/ t
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   ( k0 Y7 `2 x6 ~, `  z
10.         public static List<string> getUnqueList(List<string> list)
    / H3 S/ X; |% j4 j! t; V
11.         {
    ' h& L; e+ ]$ t3 g2 L/ @
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    , |4 ?3 P: O. o% m
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    : d; M3 e4 Q6 _- z% U% b; K2 q
17.                 {
    ! y7 G$ k  P! c) C7 o
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
      h5 h9 M( c$ ?' a) G
20.                 }
    % x: g% w7 t, h0 j& B+ u
21.             }
    / t! i  J& I7 c9 G) J  r; F2 i
22.             hash.Clear();
    . d& M  p6 ]. E: M, r4 g
23.             hash = null;
    & z0 }# X6 l  ^" B
24.             return list1;
    4 d" g; c) L; L; K
25.         }
    
26.         #endregion

复制代码

4 C5 {" N4 y; S; X7 H$ P0 _

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 w6 z% m" 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
   : C; x1 B. f0 A9 \; X( S2 {. v
2.         {
   0 i. D" t7 F4 Z' F. `+ ^9 Q8 `! p
3.             string strWebData = "error";
   + y3 B1 m- w7 F9 Z6 h4 j
4.             try
   
5.             {
   " C1 @+ m! y5 m& p+ G
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
     \" f, V' Q  A) K+ O4 b3 x8 q
7.                 // 需要注意的：
   9 L7 M8 M+ z0 P/ C* B. 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
   " r: k' ?* h+ c6 h# r- J9 I
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);
    $ d3 L0 o" f. E* U4 A( B; U5 h( {
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    % ^. h; `0 r. `8 k6 b5 U  o
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)");
    5 l7 N* w8 v  H, ?
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    ( G& ?( X, o# C) j+ P0 g4 t. M: Y; z
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
    7 R! H- M' ]0 E! T
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    ) M6 u3 g/ Z2 O  a# H
18.                 //myWebClient.Credentials = mycred;
    ' B9 k* O2 _" ^/ N$ {/ Y0 r
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）
    7 p* C- ]; G: u
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    6 |2 U( `6 d7 A2 t2 a
23.                 //获取网页字符编码描述信息
    
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    4 s9 g, s' U$ |* o
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    # L. x+ |: Z1 |1 c$ `$ e" x
26.                 if (charSet == null || charSet == "")
    % ]) T4 s4 Y9 V: I7 o: n+ N5 A
27.                     charSet = webCharSet;
    : V: Y# n: P; ]( Q
28.                 if (charSet.Length > 0)
    
29.                 {
    , P* a, R8 H, y) k% D
30.                     charSet = charSet.Replace(""", "");
    : L( `1 D2 f2 P1 r% K+ w$ Q. `
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    9 e/ R& t) k- V4 F( ~" v# ^
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    1 s& h1 y- [4 N
38.                 }
    ) v  }" A" l& A  e+ p+ K6 D
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    ( `; [& Y5 R+ t* w* u
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    5 O5 O5 J  \5 O
46.             }
    ! f  w+ U6 `" a$ s3 p/ I
47. 
    
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane