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
' ]) A/ e/ d; X, }比如：
http://a.com/b
http://a.com/bb.html
' ]0 Z1 t& o0 j$ \. a能自动去重复
7 O8 P+ m, L9 v9 E4 y/ [2 x& l

李小冲

1. #region 抓取全站链接
   : o- }# C* A" `/ n2 f' \
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   / A0 Z' O; R% `2 ~5 p0 V) g) m4 r( n
6.             {
   , [) y: T) a6 Z/ `
7.                 string strhtml = soso.getHtml(url, "", true);
   5 y3 y$ S/ M# a; C6 G- J
8.                 if (strhtml != "error")
   
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    ' w/ @: I2 X$ Q. G
11.                     MatchCollection mc = reg.Matches(strhtml);
    / H4 ^$ }- n5 ~+ ?/ |
12.                     foreach (Match m in mc)
    8 j6 P, G$ j, y& N0 t% K# N7 D' V* }
13.                     {
    
14.                         Uri uri = new Uri(url);
    2 s, c. ?0 E. H' `
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    * {5 \, W+ n6 h
16.                         string fullUrl = "";
    " q+ k+ ^/ ^. Y9 {% F
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    ( Y7 E8 P' F6 }4 X: k% @
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    
22.                         {
    2 Y) {2 a1 I0 h
23.                             fullUrl = thisUri.ToString();
    ) k( p0 R7 e! i# N! w
24.                         }
    , }4 c7 w  Z3 N. e- Y8 R$ ^7 X0 p+ s
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    : F  `$ I0 L$ T$ I0 \
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    ) b/ z/ [; ]7 T5 }. B: d2 B1 {* I
28.                         //Console.WriteLine("补全链接：" + fullUrl);
      e( y3 I) X! S1 i9 g7 F
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    ! X6 }& y# O; b
32.             }
    : z' {' H( U0 w5 F& I: u+ V% O$ e# r
33.             catch (Exception ex)
    ) C6 U+ o& t1 j& P( }; g
34.             { }
    
35.             return allHref;
    
36.         }
    + X3 |) S3 j: s
37.         #endregion

复制代码

4 S8 h3 x/ }" I; d
2 I5 f7 j0 c% ?! I# }  A; y

1. 
   - @7 {* |$ E" W( _
2. 
   : H9 p2 v; z, Z
3. 
   4 q% _- T( q4 p$ o- J
4. #region 数据去重
   2 M; w7 l7 j/ @8 S0 h( j
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   8 p& S6 r. L' g4 @5 F
8.         /// <param name="list"></param>
   4 W7 ]: V0 r3 D# s+ i
9.         /// <returns></returns>
   : }8 t0 D! F1 P) I
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    . c. U9 R7 B1 `+ u# A3 E9 d5 c
13.             Hashtable hash = new Hashtable();
    2 L6 `$ C! p  [  y& B/ B
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    / u# J1 d. P) {. g4 F% _* z2 w3 c$ r
17.                 {
    
18.                     hash.Add(s, s);
    # ^8 n2 F1 H6 G; a
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    3 b  ]- x# I# _
22.             hash.Clear();
    
23.             hash = null;
    7 ?  r$ ?# e& r4 `1 R
24.             return list1;
    $ A7 V) n; }( H  @  @- Y4 t
25.         }
    ( T; u7 W" z: y0 j4 s
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

$ {* s( I6 Q: e: f. W9 Y3 `. G6 ]* I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：
$ S" V" h: Z6 r! {8 I% V7 m

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.         {
   
3.             string strWebData = "error";
   + D) a' C6 e  r$ b2 Q
4.             try
   
5.             {
   
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
   
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$ B$ M7 Z$ r- ]( j5 w' w
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    * G# J4 V, X8 W
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)");
    3 u# ?5 a7 d# b6 i+ B$ e4 F+ p& B
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    ( U* _4 u( ]2 T/ r
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。
    ; D- I5 L" j2 ?& j  S% s
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    ; d; g( E1 j  O& ~
16.                 //如果服务器要验证用户名,密码
    : V; h8 T2 G$ t3 t' B7 W2 |+ l. ~: h
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    # N4 v& I: V. d: ^' G
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）
    
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    
23.                 //获取网页字符编码描述信息
    6 z, h' U- V3 J- w" }
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;
    ( P. ^& p9 ?3 o+ M! U# p$ Q3 u
28.                 if (charSet.Length > 0)
    / G: X. \. Z% `/ V" Y) Y8 T( I
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
      d% P( Q, M' S8 }
31.                 }
    4 Q/ C9 n/ X" c& d: s4 `& M" _( B
32.                 if (UseUTF8CharSet)
    8 h8 G" \" V" `2 J8 p) v) f
33.                 {
    7 ?( L0 o% J, u/ m; T
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
      D8 o" ]9 \- ?* q; k2 r
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    ( ^: S; k- y2 I) z. }/ x* g
45.                 strWebData = "error";
    * e: F2 `- d7 g9 k& k* b
46.             }
    
47. 
    $ l! G" E0 \* L
48.             return strWebData;
    : C4 ?" R$ _. @& b+ E) y
49.         }

复制代码

$ O( E0 G) s- Y, ^! j4 ~
8 Y+ a" q7 Z" D' h0 |2 v9 q( K

PowcAncn

weishaneweishane