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：
% q; \% K& {' S, M% xhttp://a.com/b
http://a.com/bb.html
能自动去重复
8 f& t. Z( @- f. Z8 h/ N

李小冲

1. #region 抓取全站链接
     u: j2 ~$ d6 q  V, v! t3 ^6 m
2.         public static List<string> GetAllHref(string url)
   " ]& C1 W& @9 ?& b+ V
3.         {
   / A0 {. M3 T3 c( p/ b' [
4.             List<string> allHref = new List<string>();
   $ X( K7 L( K. r# L" u$ s
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   7 F8 n" T  O( f( ^6 e5 O& J
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    5 w9 t' j( p2 s9 k1 S; I
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    4 v  t9 i& t! u$ G, f
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    $ g+ F2 N1 C) E0 g
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    , _* `3 [6 z2 p3 g
20.                         }
    ) q2 i' i5 e* l0 G4 z0 ^
21.                         else
    ! U. A3 P- v7 E9 G& O! x
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    " G3 D- w3 ?0 L+ e
25.                         allHref.Add(fullUrl);
    . r  E5 M9 f/ W: x& r0 \$ q* o
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    % `0 p% \: v9 `4 z9 s" t
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    ( }: k) j& b' ]
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    : I$ I' i% j5 \/ d, Q) h& M" [
35.             return allHref;
    
36.         }
    : x' x/ \: K" H7 |1 f& b9 \
37.         #endregion

复制代码

6 I6 |& N/ W2 X: N0 G
9 s6 [% m: o9 d0 e: U

1. 
   
2. 
   + |! d" d3 f3 G% k. b
3. 
   4 i& q) u2 h2 |% @' B- [
4. #region 数据去重
   $ t# C! P, p" M9 K# a
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   , y; d$ D7 h7 u  ]1 {! `5 j
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   5 S3 O, A8 S5 m" M8 |7 i5 V
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    5 h' i# S/ |) q3 d2 n+ n+ V5 w
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    5 c9 Z; a2 J8 D* K
15.             {
    $ ^. `3 o6 F" F
16.                 if (!hash.ContainsKey(s))
    * C- n) e0 o! K" D
17.                 {
    
18.                     hash.Add(s, s);
    ; a/ L2 ]8 X7 q; Y8 n* R4 G2 U  Y: F
19.                     list1.Add(s);
    3 l& O* l9 t! f+ O9 N
20.                 }
    
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    $ |( a  M" {3 }6 L% I
24.             return list1;
    ) j4 Z7 W4 Z8 |6 n- J- ~
25.         }
    , v7 l9 c0 p% U3 e+ X2 c* o% H- Z" T
26.         #endregion

复制代码

  k! p! t" E6 Z  W8 b5 l$ G9 a

guys

李小冲 发表于 2016-2-26 16:17

$ m# A% X3 M  E# J! b* x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！！

5 M- z+ e- n, [9 W- E' A缺少一个gethtml,用下面这个：
/ _/ S  w! r* G& |2 z# w' i

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";
   ) E' a1 o; s: F8 f5 Q" Z
4.             try
   . q: U  ?5 @" [7 M4 m
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   9 b, F* x: k( x8 f9 H
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
   " M3 i1 r; e( @( r( A/ L: }
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
    
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)");
    8 E. X$ ?! Q9 o5 ~
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    
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;
    + `  x# H7 G' ?. ?% W
16.                 //如果服务器要验证用户名,密码
    9 _: \! W* U8 z- J) W' F8 W' h: M
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
18.                 //myWebClient.Credentials = mycred;
    2 d' ^' }% M$ ~, a1 C
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);
      K% ^1 d( G4 n- G+ n
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);
    % ^; @" i+ E' V9 F# k
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    3 v" v0 Y/ N4 s0 Q0 m0 K4 w9 l* Q
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    3 i' }% D$ O1 K7 C, T! T- \0 {
30.                     charSet = charSet.Replace(""", "");
      q; s+ U& M6 c* U) m% O
31.                 }
    " S" M. R( Y/ v6 w4 ?# x+ F
32.                 if (UseUTF8CharSet)
    / r' W% s, j  J. `1 z7 ?
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    9 P9 k2 N) _- j; B- d
37.                     }
    
38.                 }
    # L$ K3 U+ S% E8 o; E6 {$ \
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    7 y6 q- S9 K) B* c
42.             }
    
43.             catch (Exception)
    $ ]* j5 t) T8 n4 s8 O4 ]( @
44.             {
    
45.                 strWebData = "error";
    ; [$ b$ f: [4 `% K
46.             }
    # u. ~: W) e8 Q0 j% m+ n% S2 h
47. 
    3 _& L) B3 T( ~2 |% N5 g# {
48.             return strWebData;
    
49.         }

复制代码

* z* }6 {( Q9 Y0 @& \1 j
2 b% a- Q3 A8 F. ]' z5 H

PowcAncn

weishaneweishane