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：
# }4 ]6 r+ v' A2 f* _. \# Yhttp://a.com/b
http://a.com/bb.html
能自动去重复
: m! i' g  B6 G& c

李小冲

1. #region 抓取全站链接
   7 H2 N9 o3 ~" K7 i# h1 I
2.         public static List<string> GetAllHref(string url)
   
3.         {
   ! z" l. v9 O8 J- \
4.             List<string> allHref = new List<string>();
   ; ?9 b0 g. o( f; M# C1 }* P' `# h
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   4 }' F5 H: }- U, X2 u. x
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)
    4 p. z+ U! t; h/ i
13.                     {
    - e! S& R9 e  W
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    ; W% |) N( |. n2 Y% }8 n, O0 k
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    ! {! }" C0 h: i. k8 j6 u
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    0 \" W. l. }2 ]& K5 V
24.                         }
    " R" J2 \6 F0 M. T! U, B% h
25.                         allHref.Add(fullUrl);
    & E; r% R: |$ D- D4 \2 ^( q2 z
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    0 D$ W- T* x2 s0 b$ X7 W
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    0 B$ K; t3 i- v  `* k( v: ~3 c' o
29.                         //Console.WriteLine("…………………………………………");
    * z- v7 m- l: Y9 f- g
30.                     }
    
31.                 }
    
32.             }
    ) \' _: B# Z# W
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

1. 
   
2. 
   
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   + ?% R7 m1 b4 B& B
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>();
    
13.             Hashtable hash = new Hashtable();
    7 c7 R' k8 U$ c* O
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    + m2 v0 w& B3 c% r' }  }1 R
17.                 {
    $ u5 W6 V! y# S+ {
18.                     hash.Add(s, s);
    ; v, b% p) ]. n2 ~
19.                     list1.Add(s);
    
20.                 }
    ' V$ c5 ^3 S8 S2 h3 A6 u( c4 B
21.             }
    4 ^7 v! r8 Q- N! I: s
22.             hash.Clear();
    ' I+ N9 K. m; a" X# d
23.             hash = null;
    
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

8 e; r( V' v7 j, W7 ^

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！！

缺少一个gethtml,用下面这个：

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
   7 ^. v7 L% G6 ~, N
2.         {
   
3.             string strWebData = "error";
   
4.             try
   ' ]7 {" a! _  ^: a; V) t, x
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   ' B8 [9 t/ L. g, k7 x
7.                 // 需要注意的：
   3 t/ X% D( E# u3 }& k4 i
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);
    
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    , ~: s7 S9 ^* t$ @) 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)");
    5 h% g" G$ `  ^% U3 K
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    & @+ C, s2 {7 {9 y" e
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
    $ J# t+ A8 E0 d+ \1 c# Z
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
18.                 //myWebClient.Credentials = mycred;
    7 l: K; f3 S' i
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. 
    0 _0 I6 q" F8 W* m) V) I
23.                 //获取网页字符编码描述信息
    ; h. M: F& e* z7 ?5 N# x) O+ w0 O
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    $ ]8 R$ e( [: X' m
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    : O" h% U( [0 U4 x' }( @( }
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    & @) A8 l/ K( j, g) K
28.                 if (charSet.Length > 0)
    ! a1 V% I0 ^, l2 i3 K
29.                 {
    + }7 L9 M" C3 p' d: C
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    5 P8 j4 U7 D2 d/ `/ O4 M: b$ U
32.                 if (UseUTF8CharSet)
    
33.                 {
    ( \! L. E2 l: S, q) v
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    * y: o5 K5 G& _; {* k
38.                 }
    9 ~+ f6 `6 ?8 Q/ U$ x- w
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    ' K( g0 O  `9 T7 s  |
41. 
    ; V- W  b$ r, H7 _  @  F
42.             }
    ; A! L! a, E) V, k' F( G) u3 j
43.             catch (Exception)
      H2 O0 y1 P; A5 N
44.             {
    
45.                 strWebData = "error";
    
46.             }
    
47. 
    
48.             return strWebData;
    ! }% p7 R; `$ {2 L2 j% U' O) f
49.         }

复制代码

PowcAncn

weishaneweishane