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
, ]# s3 W9 u/ V& Nhttp://a.com/bb.html
. E4 a7 V* v& ]9 j* l3 g( G- h能自动去重复

李小冲

1. #region 抓取全站链接
   " _9 K6 F, y+ E! f" U
2.         public static List<string> GetAllHref(string url)
   
3.         {
   5 e* T$ l! |5 z
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   0 M& P& L9 V+ N2 N6 w
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
      q7 o8 |; E; F5 H
12.                     foreach (Match m in mc)
    2 t* x2 r- r" u% o. V8 ^4 |- `* q: a) n8 }9 g
13.                     {
    ! i  v; d1 d4 x  \
14.                         Uri uri = new Uri(url);
    ' T! Y9 f2 n/ I; k. z2 e9 j0 b. a4 @
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    + ?5 @  g9 d' u5 @% c
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    , d2 S( l; b, p$ _  b% R
18.                         {
    5 m0 B1 ?0 U# l6 J% W# j
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    : o5 f* n# \5 _% q* k
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    ' `% u# V) [8 k4 n( }1 N/ U  e6 @
25.                         allHref.Add(fullUrl);
      w" Q- D+ p$ B4 r+ G* d
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    " O4 M: G5 Z  {- n3 p' q
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    - c/ l+ j4 R6 @$ d* z
31.                 }
    " W" U- i' @/ t/ S7 u* \+ T# G% A
32.             }
    
33.             catch (Exception ex)
    & q0 c  a* |3 ?4 y/ v! r4 N0 c
34.             { }
    5 u! ^, C- m6 C7 x/ |1 q
35.             return allHref;
    $ J6 K$ {; ^  a- q' k* x4 f
36.         }
    # Y3 \8 C8 s4 j2 z: g$ ~' c
37.         #endregion

复制代码

4 [4 l( w) D" I; ^9 u9 E6 Q8 t

1. 
   
2. 
   ) W. }6 |6 F+ ^
3. 
   7 B. t) I4 Q1 n2 L2 f, A
4. #region 数据去重
   & ~/ N% I2 _! f+ l3 p8 v
5.         /// <summary>
   ) ^: L. q: M3 x( z7 @
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    ) A) z- S% G; r: R" t3 H) S
13.             Hashtable hash = new Hashtable();
    2 S. i0 L. ^/ g* O, c5 M; _' M7 c
14.             foreach (string s in list)
    
15.             {
    $ T5 Y' Y7 }6 x$ @1 t9 y7 j9 H9 i
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    & a3 X4 o/ |; T7 T; I
20.                 }
    ; ^" p" o+ H9 H0 S! u6 W
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    ( g, I" }: N- m1 C* t- m
24.             return list1;
    4 D& W0 w+ i+ O- g
25.         }
    & o! Q1 [, }5 _( v
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

/ x  t4 {0 ^) x* v0 k: K" ^4 u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！！

+ ]0 p; f, X) P缺少一个gethtml,用下面这个：
* L( ?: f' V" [, Q

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
   * p  H) a2 h5 ]
2.         {
   
3.             string strWebData = "error";
   8 o& Q, N$ x3 B$ k, m* \9 Q# ?
4.             try
   " P7 A5 B% z9 S" J. ~4 E
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   : b" w" p( Y+ \" H& i/ ?& Z
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
   * N3 C* F' D9 p. T& ]6 B$ G+ e+ g. M
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   $ x1 [  `) i2 b
10.                 // webclient.Headers.Add("Cookie", cookie);
    # q* i* a8 v. r/ x$ I$ o
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)");
    
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    # p7 F" i$ f, m" ^8 I( x- K! [
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。
    2 R0 N* S! P7 t) i( W0 U
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
16.                 //如果服务器要验证用户名,密码
    + @5 L  m# K' q9 Z, m
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
18.                 //myWebClient.Credentials = mycred;
    ' b% {8 H" Q$ \. [# k
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);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    6 K* ~; v/ F/ r: N# R
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    + R% R6 B$ L0 D& n3 t5 @
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    + c4 |5 n4 g: J5 c3 F  R( _# t
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    7 q: m7 E9 @* P
36.                         charSet = "utf-8";
    ! k( Y% b9 @- x; p) \6 r% R! v0 A  p% n
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    ! V! B8 Q) A4 c& n( _3 X
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    ! X1 e  V# H& I7 @
42.             }
    
43.             catch (Exception)
    
44.             {
    " @, ]9 m4 v. v+ N
45.                 strWebData = "error";
    $ w1 V3 j& p% {$ r8 P' A
46.             }
    
47. 
    
48.             return strWebData;
    2 ?: p" M& }/ y  O* h# I& q
49.         }

复制代码

, w2 h# ^& o+ E# d' ]
5 Q5 c" Y# U9 f9 Y

PowcAncn

weishaneweishane