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
http://a.com/bb.html
, m& X6 O3 S8 a5 w! r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)
   
3.         {
   ! y" c- v  l- c/ \  ?, J
4.             List<string> allHref = new List<string>();
   
5.             try
   & d" l( v0 L6 s, J4 k, x  B; K
6.             {
   9 N; B. c& k/ p% m* U% @, S
7.                 string strhtml = soso.getHtml(url, "", true);
   " C  M$ q4 U4 {7 I4 M
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);
    
12.                     foreach (Match m in mc)
    
13.                     {
    9 |! x: \' N8 J# \) i/ l+ v
14.                         Uri uri = new Uri(url);
    + w$ W- _* g+ r) D9 Q% R8 f
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    ) q. z7 T! n5 K# q) p) M
16.                         string fullUrl = "";
    3 P% F: U3 X: f3 H
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    + c) p' K- H7 J6 w8 ?6 g' e- r
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    6 j% W- w1 U5 F# C3 L- i5 L# H
21.                         else
    / `* A6 e( p2 n: x" q4 i) s  q8 }8 o
22.                         {
    : d9 B( H" h* w- S8 u  s* J
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    - X2 o; R5 O. j4 g" @" W8 i& g
25.                         allHref.Add(fullUrl);
    5 L# \+ E) ?  q0 k
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);
    6 g8 K# _, F/ p) A; s$ t  B" B
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    ( J; R# q/ H1 ?! }
32.             }
    ; F8 [) m4 R( M8 T- m$ p0 j: q* g
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    0 V" W$ @- U5 U
36.         }
    , g' @' N8 g4 Y" Q
37.         #endregion

复制代码

0 l5 m1 U( s: i

1. 
   & v3 g8 R$ ]2 [! K4 G( S" u9 a* v3 k
2. 
   % L& x$ M" @' F1 [; M) e
3. 
   
4. #region 数据去重
   2 a6 _* L! v$ _5 U
5.         /// <summary>
   + A* D) p* q( F& a
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   6 `# }* c$ Y0 Z5 ^
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    " b- I! Z; _/ y# }* O) ^
11.         {
    
12.             List<string> list1 = new List<string>();
    * O; E: p# l. ~: Z. [9 ]" }) x* v
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    3 T$ T' k% ^  l0 n4 }8 n
15.             {
    0 R! p3 `* E" b5 O6 e3 V
16.                 if (!hash.ContainsKey(s))
    4 k) J' H( J" {  O+ a
17.                 {
    " @; R; d( X' Y, z
18.                     hash.Add(s, s);
    # o5 k" E* W1 h1 a
19.                     list1.Add(s);
    + m4 D; H5 a# E! m6 n! a
20.                 }
    
21.             }
    
22.             hash.Clear();
    ! }4 I# \" f" f. U- k
23.             hash = null;
    ) h% N$ E9 h8 g
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

9 E: f) T& E0 e  b
8 J1 w4 Y; g9 t0 G" a7 B3 t

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！！

8 t/ P5 g& r* q2 Y& S缺少一个gethtml,用下面这个：
5 d# v: d  d7 V7 S. u  E, Y$ |) j

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
   / E# x% G) Z# U- Z. D3 @
2.         {
   5 V( k; T8 y: q4 D6 ^! P2 x: A
3.             string strWebData = "error";
   
4.             try
   
5.             {
   4 s9 L5 `0 U* H
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   ) O3 k+ ?9 t$ b% |. Z; `5 t9 ~: F
7.                 // 需要注意的：
     \8 u  u  Y& I- C* H
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
   ' n* n3 b) |/ l! }7 @
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);
    : ?: P; r! P5 \( |2 G7 h- h$ _
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 U& O) k6 o) L4 S
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。
    ( ]( d8 k4 ~9 i* R; o9 d$ r# v9 {
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    2 S: ~( N' f' a
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;
    
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）
    ( {! R* h" K- U! a% N6 r
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    / ^" `* P7 s6 u( w7 N. |) M
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    
23.                 //获取网页字符编码描述信息
      h3 Q+ z8 m8 Y1 y
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    - N  g. h2 h2 c. t: `
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    ; ^6 Z7 R) A6 G: `
26.                 if (charSet == null || charSet == "")
    $ N0 I! M: |, y1 ~% d8 \* l+ b
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    # q1 ?; Y- H+ {/ \) \5 p* _
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    # z3 Y+ E/ F& b' v
31.                 }
    - d# F+ M% Y! B8 k
32.                 if (UseUTF8CharSet)
    
33.                 {
    . q1 Y1 c# c% A. k8 o9 Y' b
34.                     if (charSet == null || charSet.Length == 0)
    , `8 q7 N$ Q9 g! e& j* l
35.                     {
    / J4 f5 c( ^9 B; d3 m$ e& G7 o
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    : e9 L! V6 a7 U" J& @. J
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    6 \# y; }- j: j+ E( h
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    4 M8 D; ~3 {1 D; j9 Z' R# v3 v
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    1 v% P1 C1 }8 O; P# S
45.                 strWebData = "error";
    , \3 z$ {" m% H4 S% f  I& c  h* k
46.             }
    
47. 
    
48.             return strWebData;
    
49.         }

复制代码

8 e1 |' I+ p$ o. B" c
. n5 ^- @* w" P$ J# G

PowcAncn

weishaneweishane