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
) B& n5 [9 i3 X  _7 M0 n比如：
3 m, T# U8 M, t0 Fhttp://a.com/b
5 o% ~; o' c8 I, s6 ~* ~http://a.com/bb.html
能自动去重复

李小冲

1. #region 抓取全站链接
   7 ~$ V6 f# u2 ^+ b: {6 m
2.         public static List<string> GetAllHref(string url)
   " X( J1 _% {  B$ u
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   ! n7 n+ f4 T/ i2 c9 @& b9 ]
6.             {
   , b$ L+ X) b6 @" o" ~/ V
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   ! R- ~/ k) Z: Z1 L  _. J
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    % y/ h5 a, N/ u  M; [
12.                     foreach (Match m in mc)
    
13.                     {
    ! e; f' a! I8 N" Q+ S) O4 p( J# ?
14.                         Uri uri = new Uri(url);
    2 [3 P' q& _- ?9 F
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    , h( _! M# H4 E: c1 v1 Y
19.                             fullUrl = m.Groups["url"].Value;
    - U: [' y1 m( e2 W
20.                         }
    
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    ; q/ H% j0 B/ A. z1 s( S6 F
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    0 D2 R5 d4 _% O) X  H; J
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    : g5 L2 {& U* G6 L- a2 `* G
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    ( D8 o, e4 B( S' a4 k
30.                     }
    
31.                 }
    * U$ \3 _6 R+ U. J
32.             }
    0 b8 {' B6 X' p- d4 N7 n' S( C, v
33.             catch (Exception ex)
    
34.             { }
    0 W. U' `9 U2 U4 l9 g: W2 G
35.             return allHref;
    
36.         }
    1 K- o1 b% |, c' R0 c% }
37.         #endregion

复制代码

1. 
   
2. 
   
3. 
   4 p% C* t  s" c
4. #region 数据去重
   
5.         /// <summary>
   " Y- s  B; P. T: C" c& Z4 Q
6.         /// List<string>去重
   2 a- B1 d3 Z  y6 X% @* f  B3 f
7.         /// </summary>
   % L6 {. {% f: g8 M+ Z- M% R
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   . L" P# Y  A6 e- o6 Q# q
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    ) O' @  o2 e/ m: c
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    ) B3 z* R' B" v$ C  T/ |# U5 {% _  Y
14.             foreach (string s in list)
    ' ~7 \: A+ F- ^
15.             {
    6 M5 F8 J+ ]6 C
16.                 if (!hash.ContainsKey(s))
    # P( N# B+ O* L. U; P6 Q: M
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    8 d# n+ u$ _1 D" q- j; R
20.                 }
    
21.             }
    
22.             hash.Clear();
    6 L& ?6 N' k/ n% a; d
23.             hash = null;
    $ C# P' F8 y' u2 c) X. D( M* R
24.             return list1;
    $ J8 P4 m4 p) M) W" L# X
25.         }
    ( H5 i) K  c4 n' O
26.         #endregion

复制代码

$ t+ ?) u' h. e+ T8 @" d

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
: E( e6 i- G5 f- h) j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
   
2.         {
   ( x- |; N4 X: g1 u) Z7 {, f
3.             string strWebData = "error";
   
4.             try
   
5.             {
   5 G5 O/ @% m8 }* I5 s/ C+ r
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
   6 j$ R: H7 {* |/ p
10.                 // webclient.Headers.Add("Cookie", cookie);
    0 t- H* v$ j+ b$ ]- f: K
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    % Z' v5 K, }. q- V1 J, \* \
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)");
    ) U) Y" a: ~: F4 F* E
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    % O* b& T& d% m5 l2 B" i
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
    4 u# X- a9 z* h9 Q9 i
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）
    
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);
    & ]( o9 \8 W+ Y4 q! r) Q8 D
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    : S" ^& t% \: O4 U: E6 W
26.                 if (charSet == null || charSet == "")
    7 u$ g) e9 ^, |9 d
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    # t* y2 I4 x8 [" i! G" }, a8 M
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    9 E( W, x$ v/ @) e0 ^
31.                 }
    ' Y/ _' U. ]8 C. l2 n
32.                 if (UseUTF8CharSet)
    ) A0 Y$ k! B$ _
33.                 {
      e  o1 }8 Y; `  \6 a; M
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    ( p* y8 h% Z' x% E
37.                     }
    
38.                 }
    8 L- {8 Z# P( R, ^
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    0 a0 W" d6 P: K
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    4 t+ S0 @, `. `1 p9 l1 K
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    
46.             }
    " i: x: g4 c! k  O! @' y
47. 
    6 [) _/ c7 C3 \- m4 r
48.             return strWebData;
    
49.         }

复制代码

  m3 O" _3 X6 v# a7 R6 Q
( ^/ E1 q5 e4 l

PowcAncn

weishaneweishane