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
9 v; E( s; T0 z3 \2 a$ V% ?8 q比如：
http://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
   6 g& p) x. w: D" [' l6 X
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   9 ^4 |4 h! v" _1 A% Z; I/ Y. L4 ^
5.             try
   
6.             {
   ; ~6 r1 ]2 u. d* t& F
7.                 string strhtml = soso.getHtml(url, "", true);
   8 ^* S; A4 E/ z/ C
8.                 if (strhtml != "error")
   
9.                 {
   $ }, w9 L' \) O, I, Q; `' N
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    ( `1 r) G$ Y8 a9 e9 O* c
11.                     MatchCollection mc = reg.Matches(strhtml);
    ; R$ {* q0 a+ ]1 K6 M5 N& Y2 ?* Q
12.                     foreach (Match m in mc)
    7 P" H% M3 @2 U: W+ g2 G! S' ~3 q
13.                     {
    
14.                         Uri uri = new Uri(url);
    ( G, T& M$ w8 V; F9 P1 q4 ?6 L0 w& ?- S
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    9 g) w  W$ a9 m" ]
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    & r* e# {; m3 l3 w* a% y5 I
18.                         {
    3 Z! C* s' P& i" Q% `3 [" y
19.                             fullUrl = m.Groups["url"].Value;
      [  Q3 z' m# q0 d- y2 `& I
20.                         }
    
21.                         else
    
22.                         {
    3 ?" Q$ Q, Q2 Q. ^; ]1 j
23.                             fullUrl = thisUri.ToString();
    2 D# ^; B& Z$ X5 Z- n
24.                         }
      S. v' k! ~2 @& d
25.                         allHref.Add(fullUrl);
    # D9 l; B( Z$ j
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    + u( Y2 Z  Y9 R/ i9 s
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    # m" v$ z9 X+ V' q; P
29.                         //Console.WriteLine("…………………………………………");
      D- w' ~" R. b4 X
30.                     }
    
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    2 I# {% p8 C  t3 Z' J, F1 M7 j- x
34.             { }
    5 z9 j2 }+ t  p" `9 z! `  \- A  B
35.             return allHref;
    * ~" i. E0 z% E% M
36.         }
    
37.         #endregion

复制代码

# [4 m8 Z- t. O" ]+ w8 B" o

1. 
   
2. 
   
3. 
   9 e( |5 H! @) x8 t, C( `1 @
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   : _+ y+ Z7 X8 s4 P
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   0 g2 {; X( D' x, o
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    , j1 \! }" l9 D
15.             {
    
16.                 if (!hash.ContainsKey(s))
    # i6 V- ]3 q  F' h  g. Z
17.                 {
    * C" W  H* c0 b0 t
18.                     hash.Add(s, s);
    ' h9 j0 s# ^) p! m# o0 [
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    * ^4 q- h$ g# {) Z$ f
22.             hash.Clear();
    # S, q8 x. u% B1 \
23.             hash = null;
    
24.             return list1;
    : b: x; O8 W5 A! k( _
25.         }
    
26.         #endregion

复制代码

" n6 s2 T9 b. T6 i( A7 @: N! X

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
十分感谢！！！非常感谢！！

- y" e6 h3 U$ q( x) U, Y( K+ u1 h0 s缺少一个gethtml,用下面这个：
- x2 t: C  v3 `4 o+ l, f2 Y

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
   4 m; b2 A, j% j9 H
2.         {
   
3.             string strWebData = "error";
   
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   % |% c/ `3 e9 S" x) o
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
   7 Q& P7 n9 R% k6 W' `& g
10.                 // webclient.Headers.Add("Cookie", cookie);
    8 q6 X$ Q3 G& `% ^; L" r
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    , D  h+ j. q5 E- ?. N* 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)");
    - Q9 R0 n1 m1 _+ A( q* }
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    . M+ O! `1 B- b: C5 w
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;
    4 B( g: x4 A+ H3 o
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    * J# g& D; _' k- C; e& a
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);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    0 @) }* d8 v% i# \8 y; k8 _; A
22. 
    
23.                 //获取网页字符编码描述信息
    : s0 b! p3 E. `- j
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    $ a$ Y7 ?( f8 p8 X6 r5 w1 n$ e% G
27.                     charSet = webCharSet;
    1 e) r& X/ f4 J2 c* T6 K* C
28.                 if (charSet.Length > 0)
    * `/ U# Q: Z; t6 ]. y
29.                 {
    # V! I& }4 Q" L
30.                     charSet = charSet.Replace(""", "");
    1 `% p; |* s6 `( x( u, R5 V$ v
31.                 }
    - S2 n- T, r9 X- @
32.                 if (UseUTF8CharSet)
    
33.                 {
    , h/ o5 Q3 ~# B- z
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    ; }! F! `2 e) x# Y3 g3 ^
36.                         charSet = "utf-8";
    
37.                     }
    : K8 _7 @" t+ R. G! U" Q9 s. ]
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    8 E+ h" x7 t& \3 \
41. 
    
42.             }
    
43.             catch (Exception)
    3 B1 n# q# t0 C; X' r1 y
44.             {
    
45.                 strWebData = "error";
    
46.             }
    , D! J! x# @$ J6 `2 o5 P
47. 
    
48.             return strWebData;
    6 M3 _+ _0 I7 w& I
49.         }

复制代码

3 q- n+ r- ^5 I! U9 P( b" M8 O: Y# J; x
- u  @; e9 P- P9 `/ F

PowcAncn

weishaneweishane