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：
2 G( {, p% G! Xhttp://a.com/b
1 G) i  X2 d; G8 phttp://a.com/bb.html
- L  Z- r: |. i$ Z0 N( h& S能自动去重复
8 K! f! V2 N' `5 y# }3 ?' q

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   % u4 k- r3 D& R  `( H
3.         {
   - H  i6 A* t# u& Z
4.             List<string> allHref = new List<string>();
   ) h. O: Q1 _8 l- d; k
5.             try
   ; X8 Q4 t9 w3 T" \0 v
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
     `! O; j( z4 I. G3 O' n
8.                 if (strhtml != "error")
   
9.                 {
   ) k+ s- x" [% O+ F& n$ k. x
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    & T5 k! C4 F* C; n( q% K4 l
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    8 l+ C, y' _0 Q; U1 ~4 B
13.                     {
    5 [8 f9 N$ ]5 ~$ X# J! `* v
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    7 A' G  V/ ?1 H8 c
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    * K' A/ o6 c$ F
20.                         }
    
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    6 Y! l) Y: t+ [6 }! \
24.                         }
    0 T* [- m7 Y1 t# F
25.                         allHref.Add(fullUrl);
    # T6 t! t( L1 w- J
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    . H/ }. W7 Z3 o7 s6 j
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    5 h$ l, T3 m& \7 I; T2 b
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    4 q- E0 N9 @; H% m
31.                 }
    
32.             }
    1 S5 H/ Q& x6 e/ D! t: f
33.             catch (Exception ex)
    ) j. z5 V9 \; N1 y  o# _1 F
34.             { }
    
35.             return allHref;
    0 f! y  B) S% ?" p8 g
36.         }
    # R& ~( x! T0 t8 h8 a' D
37.         #endregion

复制代码

# B' E% Y7 b5 d  u4 x
1 m5 y6 Z7 i) W

1. 
   
2. 
   * O7 U1 E* \( X; T
3. 
   
4. #region 数据去重
   - ?# a6 l6 K0 O) Y1 d  n
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   6 ^& t: w" g9 G. D! [
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    % s2 q8 x7 u! L; c
14.             foreach (string s in list)
    
15.             {
    $ Y7 j3 X+ h4 O' G) z6 N
16.                 if (!hash.ContainsKey(s))
    3 k. [1 E! u: b/ B8 h# ~
17.                 {
    
18.                     hash.Add(s, s);
    9 ~8 c6 `7 _' n5 H5 I
19.                     list1.Add(s);
    / l) {- T7 a* W/ U1 G1 j9 P
20.                 }
    # h1 _' P, {- @$ d
21.             }
    + g2 B, u: `- k# U
22.             hash.Clear();
    / `3 x0 w# }; y$ H1 Z0 m* H0 g
23.             hash = null;
    - i4 T) f9 b. [
24.             return list1;
    0 n- k0 U3 S1 E$ R4 S$ {  k
25.         }
    % t; Y/ G7 t$ y: o9 ^
26.         #endregion

复制代码

8 N4 @% B4 G- H* N) y" |! d; Q

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
5 }  d# e- n1 Q) n; _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/ t# h# w7 b  g
3.             string strWebData = "error";
   - c  v8 }2 w, b* E+ p
4.             try
   
5.             {
     d% s  P# m. u( e0 N  p
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);
    5 y  c+ y; n; K0 K
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    ! ^! q' k2 S1 ?3 a8 Y; u. L
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)");
    : [1 ~3 p( m0 m! \! t
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。
    . G7 M3 a4 W  j0 h8 l
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);
      `5 p! T( I- M
18.                 //myWebClient.Credentials = mycred;
    4 f- Z- i! G3 X
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）
    + p% b6 o9 I+ s5 h
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    7 }9 s/ f( A# s2 o) X
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    . H, R1 h) \/ Q' _7 |; S+ E2 n
22. 
    $ m5 a$ Z) z. H; K
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);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    & }9 [% u: p5 t* I, e( ?5 |
28.                 if (charSet.Length > 0)
    / g7 R3 s2 {- X9 D
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
      c9 P& o1 \' Z' B( m
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    & U2 J4 r' z7 [& w! @
34.                     if (charSet == null || charSet.Length == 0)
      [  _3 X  x% @  _& v' P' V
35.                     {
    
36.                         charSet = "utf-8";
    ; {8 t  O3 X; L
37.                     }
    5 P/ s. ^, l- w& ?& J5 b
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    8 l/ S, d" M4 B6 Z: h2 C! z' o1 T
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    * B7 F# |7 Q7 [7 ^( N+ u, n
42.             }
    ' X% h3 _2 U& D0 S# E8 C
43.             catch (Exception)
      c" u1 i6 y8 ]
44.             {
    
45.                 strWebData = "error";
    3 W! \: I; P- C8 G/ |  {
46.             }
    , O. ?2 H4 Q6 u/ R2 ^$ {  [, I
47. 
    
48.             return strWebData;
    ; P: r! e# H8 h8 p
49.         }

复制代码

PowcAncn

weishaneweishane