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
4 z) n9 v- l! C2 M) \比如：
7 f  h: R2 D& @http://a.com/b
7 j3 {7 ~) a6 X% X7 d4 \5 F4 Ehttp://a.com/bb.html
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)
     N" `# d3 f" u- p6 j, K
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   3 q) N' A4 n7 C  F: A
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   - [3 g  G) [. y
9.                 {
   ( f8 D# p9 V; y/ G1 s! D9 H
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    $ q4 k0 \/ z: I: {
12.                     foreach (Match m in mc)
    & i  T$ o7 I+ p! k% h( a: \1 F+ k
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    % D+ M- C5 H8 B0 t5 B
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    - b; [& R1 B# @
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    9 D% O, ]" G0 S+ G
20.                         }
    ! d% j0 Q: W% O! V2 W' G! @9 r
21.                         else
    ) a& H' c% x+ ?, g, ?
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    1 r- i" k" K5 a8 b  i) B
24.                         }
    ; o  ?' [; T5 Z1 d5 v9 D& ?8 v
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    # v6 {+ H$ D$ T
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
      a# ?6 u1 T: R! d9 t  ~( T
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    4 p* J# G( K. s3 [- h
29.                         //Console.WriteLine("…………………………………………");
    8 t: M& A* B! a: P" i
30.                     }
    2 v* T8 y; l* j$ [
31.                 }
    8 ^( }$ k/ }4 |/ g
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    , h+ z0 ~: v6 I
36.         }
    : O( @8 r1 u) V1 [# x3 B
37.         #endregion

复制代码

1. 
   # f/ l# f8 C1 k  ]1 Q
2. 
   ( `8 g/ k* w7 E! I
3. 
   7 I8 I( n+ L0 ~, `1 w
4. #region 数据去重
     D+ @" ?; A& N% b( o4 P
5.         /// <summary>
   ( G' r2 X; ^. e  |
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   # }% Z4 ~. @/ b1 K, X" v6 F' }: @2 C* K
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    - \/ b- I# ~6 ^$ _2 K( N
12.             List<string> list1 = new List<string>();
    ) w7 g# B1 _1 V7 W. I6 m
13.             Hashtable hash = new Hashtable();
    % d/ _; \  U9 t
14.             foreach (string s in list)
    ! r/ J; H' {$ r9 `/ [
15.             {
    9 Z% {; n: x( y2 t
16.                 if (!hash.ContainsKey(s))
    9 Z  }6 M) _: N/ \2 h0 Q! q! a- v
17.                 {
    5 g& o  @8 B, X) s2 v9 f3 s
18.                     hash.Add(s, s);
    . C3 W8 ]# D9 S/ {
19.                     list1.Add(s);
    / l! K& q5 }. U( F6 Y
20.                 }
    1 `; o: b: x' X6 q
21.             }
    
22.             hash.Clear();
    2 s: P: z, |+ ^$ r- `
23.             hash = null;
    
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

, E$ T4 A0 y3 c% E+ n4 G8 v

guys

李小冲 发表于 2016-2-26 16:17

5 ]! y7 U; v1 C3 M2 `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：
  V" D- M7 n! Z

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
   5 I& H* @7 X$ @) Y( U4 b
2.         {
   
3.             string strWebData = "error";
   
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   ( g6 V' f3 g8 ?7 U+ \4 _  H" s
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);
    0 ]' k6 K( ~4 k7 z$ ^# r" ], L# {
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    7 a2 K) t0 R, W& E, a' r5 a
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)");
    4 F# [: _$ H$ u9 u! H8 Y
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;
    
16.                 //如果服务器要验证用户名,密码
    ' V: l) E0 T: X
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    7 k9 b2 ~1 S1 P
18.                 //myWebClient.Credentials = mycred;
    + [8 P, \+ v& k; 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）
    
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    ( s" n. q. C5 w
22. 
    
23.                 //获取网页字符编码描述信息
    " k7 f9 S6 w4 q" B2 U* s9 ^! g
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;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    , }& m- l# N/ L
30.                     charSet = charSet.Replace(""", "");
    - [7 U8 b4 Y( b( r9 D  o
31.                 }
    
32.                 if (UseUTF8CharSet)
      D1 S; ^& D* e/ s3 f5 p0 O
33.                 {
    / ^0 @6 T; g' G# v+ c2 s- e
34.                     if (charSet == null || charSet.Length == 0)
    - t6 ?/ \. l3 y- ?
35.                     {
    
36.                         charSet = "utf-8";
    * f/ b+ u( C' U) P& Z
37.                     }
    - c& N' H" Z6 L& P- L
38.                 }
    7 R7 I3 I7 D) |' C7 p  J
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    + z' t+ n) W" m2 K& c. W+ @
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    6 l, o( H6 k) R1 h
41. 
    
42.             }
    . @; `. ~- o! d6 q5 w" {
43.             catch (Exception)
    6 `2 u+ j: I) u4 ]: X
44.             {
    
45.                 strWebData = "error";
    
46.             }
    
47. 
    
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane