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
1 R% R' f; Y6 p* C) h比如：
1 c3 y% X/ ?- \; y/ g2 Zhttp://a.com/b
http://a.com/bb.html
# p2 Z/ \# X' |& G: Z8 P9 s2 m7 a能自动去重复
$ t' }1 N+ B+ c% _

李小冲

1. #region 抓取全站链接
   8 B+ ?( d* C/ Q$ \! }
2.         public static List<string> GetAllHref(string url)
   - x5 ]! l) a0 N* ^
3.         {
   
4.             List<string> allHref = new List<string>();
   ' o# U% R6 K& B3 u
5.             try
   
6.             {
   # ]* x/ j9 Q0 e8 @! [% j% C
7.                 string strhtml = soso.getHtml(url, "", true);
   3 h6 W) Y6 T' x! T$ ~+ p2 g
8.                 if (strhtml != "error")
   - ?9 O; Z- s& v5 O; a
9.                 {
   ' H/ T3 {1 l8 s+ M" t+ @* @
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    ' `/ N" _# y0 v; W6 W, y
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    4 O$ Z! F! z) g- i" Y
16.                         string fullUrl = "";
    3 {+ Z  R& A% q- S) j5 ?' D
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    2 l7 ]0 P8 m7 y
18.                         {
    % r' L0 u/ s1 {. {9 U5 m
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    $ ^- M$ }& ~: K1 {
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    / ?. k" I# m( u; k+ {8 a
24.                         }
    " W# k9 N" |, w/ \0 V% v
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);
    * Y+ k% r. `. S
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    ( w$ ^' k/ k/ Y- F, {/ f
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    ; j; V$ r- d0 F6 s) w
32.             }
    $ x, l! ]' C4 y2 [/ S
33.             catch (Exception ex)
    
34.             { }
    * Q  g3 g9 K) i5 ?, g% m- a' N3 v
35.             return allHref;
    ! _# H6 }# a6 w% }* K  y6 x
36.         }
    
37.         #endregion

复制代码

! d; y* ]* Y1 H' H+ L

1. 
   , F% z4 C( y4 t
2. 
   . ]6 b- @6 N6 b1 v' l
3. 
   ; T* t3 T% \( [! W0 R! G1 b
4. #region 数据去重
   
5.         /// <summary>
   . ]1 L3 i4 O3 Y1 z4 t* V
6.         /// List<string>去重
   3 C  |" n  n' f1 o; R
7.         /// </summary>
   / |) t4 U5 C& g* i2 {3 c( G
8.         /// <param name="list"></param>
   / c/ j% \" z) {% d; s2 v3 y& [
9.         /// <returns></returns>
     k0 e0 X6 ^9 L# B
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    ( P1 p( h7 y8 e/ o6 Z
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    ! M* w8 U4 [) \3 E( o
14.             foreach (string s in list)
    % N* u( s1 _+ V1 T
15.             {
    
16.                 if (!hash.ContainsKey(s))
    : h7 F& `+ w% A; t/ C; u6 @' S
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    & R, V. F7 h0 L: i# m; c
20.                 }
    ' i& J  G7 Q% O4 S8 t" B
21.             }
    , b0 ~# @3 G) }7 X1 a
22.             hash.Clear();
    & ?1 `% ~& `3 X" F1 e
23.             hash = null;
    9 g9 T. b1 p% F
24.             return list1;
    
25.         }
    2 ~$ J. h' H  h
26.         #endregion

复制代码

; i0 {. v/ v4 S1 E2 ?

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
8 U- W, a4 k6 v  Z! h1 v7 f十分感谢！！！非常感谢！！

% B! }- @* P3 I缺少一个gethtml,用下面这个：
4 t/ ]: K. q/ {2 \% z9 w

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";
   ) _: f" S' Q2 |2 d
4.             try
   - D8 q) m- O  ~+ {" a1 f. U( U
5.             {
   9 o1 w( b" n- E" q8 ]
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   / E7 z- a$ }! O& Y% u/ M+ F
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
   0 I3 A. t! Z/ O
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
    9 Y) m! U( o' N- m; m" S) F) ~
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)");
    : n+ Y- B' a. r. I2 g; y6 V# U
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    2 G* ], Z( I; c! ^
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;
    ; i1 l9 O% ^1 m2 C' N% J& @
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）
    ) ]$ N$ ]5 y( h' t9 R
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
    : m, J1 x, ?: q
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    3 e+ w9 l6 U7 V
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    9 D# p' N  Q9 f, d: ?' ~  s
26.                 if (charSet == null || charSet == "")
    ! C/ z# L: S9 {3 C. f# n" Z
27.                     charSet = webCharSet;
    & [% I7 J; w$ _# l- L. |4 P+ F
28.                 if (charSet.Length > 0)
    4 E$ q+ A0 E$ C: w/ K
29.                 {
    6 }* H& j  c' c- M
30.                     charSet = charSet.Replace(""", "");
      w( v9 S6 Q; P) M/ j6 d4 v
31.                 }
    
32.                 if (UseUTF8CharSet)
      C/ i, A: X( @0 i4 g' j
33.                 {
    5 w1 H4 V1 |2 s0 g5 M8 k5 `; x
34.                     if (charSet == null || charSet.Length == 0)
    : f; K  X2 I! i; E9 \! u2 A* z
35.                     {
    ) ~1 T. D6 C5 ^7 h7 {- Z' _; ~
36.                         charSet = "utf-8";
    ! k# c" w7 \$ k: o* t3 q, r
37.                     }
    7 B5 C5 S' U8 ~% n- P; {4 {, F1 ?( ^
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    
43.             catch (Exception)
    9 ?1 j0 b7 N$ v0 g7 B( K5 ~2 }
44.             {
    
45.                 strWebData = "error";
    
46.             }
    
47. 
    
48.             return strWebData;
    
49.         }

复制代码

/ Q' q5 K9 X( N  {: u3 {. O8 A

PowcAncn

weishaneweishane