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
) A! N, I" H3 A( g8 Whttp://a.com/bb.html
$ Z: a8 Y8 {  ]% E; |+ b7 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)
   5 n8 R* U3 G$ X* S
3.         {
   
4.             List<string> allHref = new List<string>();
   ' V( j$ v0 n5 v, P4 L
5.             try
   , o% o2 k: I2 y5 b* Z
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   : `6 e9 i1 c5 Q& d- j( k' a5 S
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    . X1 W5 g6 }: C3 v
11.                     MatchCollection mc = reg.Matches(strhtml);
    / B  D4 v, n( [: G
12.                     foreach (Match m in mc)
    
13.                     {
    2 I2 ~9 b% X+ d9 s
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    & p3 m# \2 W, d$ r" E0 N
16.                         string fullUrl = "";
    - _& U1 }) \" V& A. I1 ^' |
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    7 B  f5 ?$ T/ v' m$ t5 T6 J. z7 |
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    5 ~' H' E  ~9 z5 ^' B2 R. ^
20.                         }
    5 `- {5 B, g1 s8 t6 G
21.                         else
    : h) A: [% N8 P$ D  d
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    / O! U* o' M6 J$ S
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    & d/ _4 T4 z- O( ^( s
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    : Z3 l. H% m$ b; S; d/ v
34.             { }
    
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

1. 
   
2. 
   
3. 
   # V3 _( v% L' e+ Q" a( t
4. #region 数据去重
   & `. m& T4 D& b0 h
5.         /// <summary>
   ( H& U& u( y/ m7 \7 N4 \' ]
6.         /// List<string>去重
   
7.         /// </summary>
   ( P) f9 U+ I" J7 `
8.         /// <param name="list"></param>
   ( i/ n, G+ G; z
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    7 S0 b5 @5 L: @# m: Y
11.         {
      e+ t! M3 b( N6 Q4 @/ B) U: P/ L- _
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    / v+ e9 R; z! `
15.             {
    
16.                 if (!hash.ContainsKey(s))
    : V; }+ \8 w' b/ a- K8 C
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    7 b" m1 R8 G3 Q" g* L( b$ i3 Y: }4 b
20.                 }
    ; o" A2 [5 N4 N& ?" |3 X
21.             }
    . t; B( g$ O$ e1 N9 @1 \7 L1 {
22.             hash.Clear();
    
23.             hash = null;
    $ w* X0 Q3 t, [1 n  t7 L7 X& |
24.             return list1;
    " a& j; a$ n* X% T7 c6 T: l7 q
25.         }
    
26.         #endregion

复制代码

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.      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
   3 G& i: U7 v/ r5 V1 H# _( z
2.         {
   
3.             string strWebData = "error";
   $ Y) @! E. b/ O  V
4.             try
   
5.             {
   8 S& z& W; t' t; t0 Z7 {2 g) x: T
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   , W& F' _: d4 J& ]- x+ V
7.                 // 需要注意的：
   1 \0 x$ _; h- g! H% F/ `; W
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
   8 v* B9 ?7 P1 O2 q6 W: I( M1 M
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   * z( ]: `! L: B7 j, t- |5 F  V' O" k
10.                 // webclient.Headers.Add("Cookie", cookie);
    # Z9 {) [0 q0 r1 ]. G6 v3 L  _
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    . [# E" w/ a0 o( _/ X- z: 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)");
    
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    ! O& N5 C. ~; V* W9 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。
    $ \6 q, b1 G! K" R, B; Z/ i8 d# M
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    , F/ }( Y2 o! N  J" {6 d5 e
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;
    5 E8 x# H: A/ r! O
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）
    , f' ]4 ?. _; I7 P# t$ n3 m* O& T$ ?2 k
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
    
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    2 `1 u# d/ \; x
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    % A; X9 L( K4 T# t7 {
27.                     charSet = webCharSet;
    6 f" b" D. W3 M$ F: z" U3 ?' P
28.                 if (charSet.Length > 0)
    " ]" A7 }- i& C$ I' b$ i
29.                 {
    / l3 d: _- j; k4 v. U) k4 Y+ @+ S1 z& O
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    ) D2 D& V: c. Z  {3 }
32.                 if (UseUTF8CharSet)
    
33.                 {
      r5 |) P  I4 D) M' V7 J
34.                     if (charSet == null || charSet.Length == 0)
    ! W( z8 x( U( J  q
35.                     {
    / e: Y8 F  k! i! M1 w' k
36.                         charSet = "utf-8";
    
37.                     }
    2 c6 c; C$ @7 i) K9 P& L  J# l0 U
38.                 }
    ( p! B0 i& U! ?' `8 Q  k# W
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    6 D" P8 m: ~$ Z) \2 j
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    & S" \5 k. @0 C+ h! V- [! N
42.             }
    " W/ x$ A. Q! ?) B% V
43.             catch (Exception)
    # P: \) n4 Q- G0 b4 F+ C, {
44.             {
    
45.                 strWebData = "error";
    
46.             }
    
47. 
    0 ~: C+ j& N  I: e* v: [, |  y& ]
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane