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
6 y' _+ a3 Q, H4 Y' x6 P/ \比如：
. H5 W; s+ }3 [; h, shttp://a.com/b
http://a.com/bb.html
能自动去重复

李小冲

1. #region 抓取全站链接
   " J# X# `- c* e: W  W) m( e
2.         public static List<string> GetAllHref(string url)
   
3.         {
   ) R  e- T. T6 [; [
4.             List<string> allHref = new List<string>();
   
5.             try
   3 ^0 Z7 `* u" {. u- E+ H- L
6.             {
   & V) _- F) Y+ a; m0 G
7.                 string strhtml = soso.getHtml(url, "", true);
   - Y( @3 W* v9 U( _  m8 G
8.                 if (strhtml != "error")
   + {5 Y) F* U  Y4 g( A* m, O
9.                 {
     `& g2 w* _: @$ F( }1 c
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    ( |' }! G/ j2 p9 d6 Z4 R
12.                     foreach (Match m in mc)
    2 a3 s* o$ @" w
13.                     {
    / g/ K* p. W5 {) F1 L4 e, {; W) }  @
14.                         Uri uri = new Uri(url);
    . d+ W7 M2 g; ^. q1 E
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    $ P- s- s- _% I$ H" l5 k' ^: w
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    . M9 S) U; a. z2 I6 @1 P2 ?% Z& ~
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    " ?) E/ j2 `& o) a
21.                         else
    + S. q8 l: j# u
22.                         {
    6 a  C4 ]8 P) W: Z# k! u2 {
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    0 P- s4 Q" Y/ O& F2 e7 S
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    ) c% [7 Z. Q( Z
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    . t3 K) T% C: @: E0 u4 w( ^
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    5 [3 C, r9 d" \$ V+ D
32.             }
    ) u& M- M& R0 n2 o$ b
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    / K& e- A5 z7 A9 g) a. ?
36.         }
    " W% i  ^+ \, I/ R4 }
37.         #endregion

复制代码

; E$ P- B: {& D+ J

1. 
   2 n# `. y! n' }$ A2 F8 C
2. 
   7 M: o% _/ J5 w- X2 k$ o
3. 
   
4. #region 数据去重
   5 {/ }! c) Z( z0 g" T. u9 r8 S
5.         /// <summary>
   # J: k) Q6 `; e
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   ; x/ m% c5 k. N) Y# C$ a
9.         /// <returns></returns>
   ; f: M8 g- m! E, A+ G  s  j
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    . B/ ^1 }+ w. g
12.             List<string> list1 = new List<string>();
    ' ^1 j0 B$ U5 p' X8 x( f
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    6 F& E# N" H5 G
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    7 A/ `0 f! C" W! {% w! r9 O& \
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    ; {& |- q) n; p4 P( Q& k4 W
20.                 }
    & I' V, R3 O! g6 n! o+ p
21.             }
    
22.             hash.Clear();
    ( T! o" b5 n# m6 ^
23.             hash = null;
    
24.             return list1;
    " i( S. ]0 D  A/ q5 P* M
25.         }
    
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

4 g7 U. _/ z- ^( m十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
9 n3 d; m3 l( {( n. O$ m十分感谢！！！非常感谢！！

$ |' R5 |2 U: E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
   
2.         {
   $ C( @5 c6 s) b& {
3.             string strWebData = "error";
   
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   6 N  Q" H4 ?2 K
7.                 // 需要注意的：
   ( }# k0 d5 X0 V- `( |
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
   & e4 k, x" ^1 S# P; K" l) M
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);
    
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    
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)");
    9 z" I8 B$ V" ]% P- P1 m7 Y$ r
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    ) |/ O! ^% s5 ?4 U- d/ x$ Z* j
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。
    ! m+ r- Y& {* {! P6 l' p
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    * w3 _# |  p* ]9 U  r3 U) |! t
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;
    ) p% X% w/ T8 h5 C/ U0 P2 g7 @, X
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）
    
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    7 d$ m9 @& L# K% k% i8 _0 O
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    
23.                 //获取网页字符编码描述信息
    2 s8 ?7 t2 t0 ]1 u
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    6 _! t( B0 n6 [& p0 z+ C+ t5 C5 {% o0 F
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    . W1 A' F% h$ I/ m" S6 z
27.                     charSet = webCharSet;
    ; I: ]. L7 B& V2 W2 |" E
28.                 if (charSet.Length > 0)
    % w8 m" x0 w# A9 J( Q! u: I! j3 b6 c
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    6 w7 M2 D" N$ f; T. S( t% [
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    6 O% U1 _0 I$ |' v6 v5 ]; f
35.                     {
    9 \  s- L! `* B+ d
36.                         charSet = "utf-8";
    / C( ?: q  y7 @/ m% b
37.                     }
    / G- w2 V& K% M! n
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    # x" V# C: j0 q0 p- n- G% V
41. 
    " U1 w/ v; v" }/ d) D6 q( Q
42.             }
    * ^. o# }6 w7 J- c- Y) Q1 A
43.             catch (Exception)
    ( U! O# t' _5 E( M2 Y
44.             {
    
45.                 strWebData = "error";
    
46.             }
    
47. 
    * C% S' `9 J! P7 G, q: D: r5 K
48.             return strWebData;
    3 @; R% u1 M/ L+ \1 I1 U) `9 K0 S
49.         }

复制代码

PowcAncn

weishaneweishane