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
0 h, @  f3 l2 _) e比如：
& s- u4 I, D( ]5 G3 ohttp://a.com/b
http://a.com/bb.html
能自动去重复

李小冲

1. #region 抓取全站链接
   ' I* g; G3 |$ @2 @9 q$ V
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   4 C2 n, e4 K/ y. E8 w
8.                 if (strhtml != "error")
   ! ~  n1 x8 ~# V0 }, I2 w
9.                 {
   " q7 L" G9 H7 @$ e/ a, z
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    0 H3 }& {0 |, Z5 G) p& l
12.                     foreach (Match m in mc)
    ; [" C! \5 ?: K9 t2 W7 m- ]! d
13.                     {
      B& U% J" Z. L2 l
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    $ p3 K% h3 W2 e0 {$ d! B" n
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    ( R; [; a! N/ s3 t+ D. j  c6 `
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    ! L9 f( i3 F; p; Y) e
20.                         }
    
21.                         else
    7 q2 Z& B9 s8 {2 B  |- d
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    / C8 w- J# ^; m% e# F9 j
24.                         }
    
25.                         allHref.Add(fullUrl);
    ' p0 E( Q- H8 ?; s( r# D
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    ! c6 g/ {& l8 g* m# Y. ^4 |
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    % W1 w0 g- ~: H- O, l
36.         }
    ' I, j- `, g& o3 e, k
37.         #endregion

复制代码

9 B! z% E$ X' _% {$ x' g8 i7 @

1. 
   
2. 
   0 L0 w/ a$ A1 r$ t/ K! b
3. 
   . Y, t( u) i) e7 n7 t
4. #region 数据去重
   " D* e) L, L. H- |1 h& u
5.         /// <summary>
     F& I& y! o4 k+ r! n
6.         /// List<string>去重
   
7.         /// </summary>
   ; h4 ]' {& e5 W4 g$ p
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   8 W; P4 A0 d" E2 S! i
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    3 G: ^; E, {! v$ Y3 a1 v: a$ _$ \3 r
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    / p2 g% o, g# X/ v
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    - S# d8 ~0 x& W6 e9 h$ O4 u
19.                     list1.Add(s);
    - R- Z! D* U& C" j& x
20.                 }
    ' L( h) r: o9 M3 c
21.             }
    ! N4 l% G$ }% R" l$ M* P0 V; a
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    4 |+ I/ ^5 Z8 Y  L
25.         }
    
26.         #endregion

复制代码

: w, B, ], d; w; j9 ^# h& t

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
1 I" w: @! G; Y8 L+ d% L; {十分感谢！！！非常感谢！！

缺少一个gethtml,用下面这个：
$ H3 U, q( l( {& i' A2 l

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
   # v/ G' p/ r5 E% u) O
2.         {
   
3.             string strWebData = "error";
   - ]# P# O% K( O( k* y
4.             try
   
5.             {
   
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
   " v/ g2 L! ?; T' B# t
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   : z0 F, H. A$ Y! A
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)");
    & _2 C; G$ y; b! M. i. s; E7 U, w
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    2 S; l1 X2 H5 |' k/ V
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;
    ! g& `' G% i, H: S% l0 b! E$ }4 Q
16.                 //如果服务器要验证用户名,密码
    2 Q1 ^9 c% L7 G( s& O6 \1 y: f1 p4 \
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);
    - l9 ]- `6 {% _- G. ~, Y
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    9 }: m$ E# h* f( c; y( h0 j
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;
    & j" _( d& H1 T4 F# [
28.                 if (charSet.Length > 0)
    - y! G6 r4 v' D! s& s1 o& F
29.                 {
    $ s9 M7 q! Q6 @) z$ o3 ]5 o
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    7 N1 h) I( B% o) M+ T
34.                     if (charSet == null || charSet.Length == 0)
    * u& r- ~) L* K; ^6 ?9 P, a, J& r
35.                     {
    
36.                         charSet = "utf-8";
    3 V3 ]2 ]3 i2 {/ Y) y; q  _* j& @
37.                     }
    
38.                 }
    " @  K: b: g; d0 k/ W3 o; W$ L, P8 ?
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    # h' w- F, p8 b: `0 l* l
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    7 R7 M8 _) ^1 D2 {! b
42.             }
    9 k$ D4 H( x/ ^  H; Y2 ?
43.             catch (Exception)
    # r" V* q- v4 J1 \
44.             {
    9 Z' k0 p0 h, w- N9 o
45.                 strWebData = "error";
    
46.             }
    3 f5 W, Y; T" u! `2 K
47. 
    2 U2 a  c2 t' i- x# _- z$ Q7 q
48.             return strWebData;
    
49.         }

复制代码

+ f$ k4 j2 k; W$ M9 L4 q$ I5 P
. a& Z2 k2 [/ R: Q: c( e

PowcAncn

weishaneweishane