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
2 C8 u! A! K' B" G6 }% M  s比如：
http://a.com/b
4 z. C, y, A+ W1 L1 Hhttp://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)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   , Q1 O# h  E( A3 _$ b% |
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   % `; p" ~' X" P: ]
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)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    . Y. O- \; I1 h2 S9 o
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    1 x- I6 m& i5 v5 B8 L1 W8 J
16.                         string fullUrl = "";
    . J' v; P  n5 T4 [- {; H
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    " u$ X2 T! {: g- Z$ q
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    9 X" F9 L8 ?5 V+ D) ~9 O9 K
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    : K1 p$ J+ ~, K' r& F
24.                         }
    0 }% {* x( a) O, f; M& Z
25.                         allHref.Add(fullUrl);
    . _% t  e7 _$ k1 ?* o
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    , w. Z$ @- q+ c6 b
30.                     }
    
31.                 }
    
32.             }
    0 [5 m' @! z& O/ I$ L2 q
33.             catch (Exception ex)
    
34.             { }
    ) e" e+ q+ z$ p1 \0 u5 i
35.             return allHref;
    
36.         }
    4 z. p2 D! M2 X7 y6 I
37.         #endregion

复制代码

9 |3 a! M( {' N4 h3 g

1. 
   8 b3 J" k8 ?( N
2. 
   
3. 
   ; b' _3 F2 B) \& |
4. #region 数据去重
   * G0 z' e) h$ B
5.         /// <summary>
   
6.         /// List<string>去重
   3 p, `' }7 ]0 A3 \( T' b
7.         /// </summary>
   ! @  X& i& `# b1 E- N
8.         /// <param name="list"></param>
   9 D) _% H' {. S2 l$ [: J
9.         /// <returns></returns>
   , p6 q7 L3 @. w+ Z1 z( N% R) @* ^0 @
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    + u) m4 L# Z7 ?; B- H* f
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    4 K6 D- L& }+ e' p4 ~! ?
14.             foreach (string s in list)
    1 y8 s2 S* ~' W# _  B$ j* D: Q) k7 L
15.             {
    ; z- x, ~( ^0 v5 _! @' M) k; T
16.                 if (!hash.ContainsKey(s))
    9 G% e* N8 F2 W
17.                 {
      f! Q* I/ j( B4 J
18.                     hash.Add(s, s);
    / `# ]. y# w0 C( T, n1 i' J
19.                     list1.Add(s);
    ' Q) b4 v! l9 G+ I! G+ Z  S
20.                 }
    - K2 g2 m$ b( Z* s8 k5 `
21.             }
    2 g( ?- S7 Q( I: L7 }0 E
22.             hash.Clear();
      g/ }- O! X* T4 z* P
23.             hash = null;
    ( b8 \2 ^$ }# @2 r, t1 J
24.             return list1;
    
25.         }
    7 s: c1 a8 q2 k
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

7 l& _2 r0 p1 n: j9 @0 Z9 I十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
3 Y3 E9 j' o& t& P1 Z6 k1 a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
   
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：
   6 Z3 A0 j2 V8 _/ b
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
    
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)");
    5 S, b+ }2 B. l. e/ {+ S
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;
    ! O! Z" V, q& w% K
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
18.                 //myWebClient.Credentials = mycred;
    ' L, Y; c, R5 L/ Q5 P8 d5 ?
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);
    ' {8 i' g4 f+ R9 ^9 ]
22. 
    - X* C# E; z( m. s% V$ j! z
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);
    8 ^  J0 n9 J/ h  d6 M
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    5 Y. H0 ]1 K: F. I8 A0 }
26.                 if (charSet == null || charSet == "")
    , P# C0 i8 H; s2 F
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    5 |- ^# r2 C8 j! P
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    4 t5 a7 v: c1 {
32.                 if (UseUTF8CharSet)
    
33.                 {
    ' ?5 m/ J; w" B, O
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    ' C' k: i; u5 n) [/ g
36.                         charSet = "utf-8";
    : o# G+ `! P/ o5 r  Z- e& B2 M
37.                     }
    4 g6 O! ~! O0 A& c  {3 y- Y, B  k
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
      o" P; P7 _: I" i. I, m( x4 S6 F" s* L
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    7 T" Y( B3 x; {: k5 E! U6 _
42.             }
    - a7 U8 g7 `/ K9 w8 {
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    
46.             }
    
47. 
    
48.             return strWebData;
    ' {, e, V, `! Q% B$ O% x  V7 f% W* G% n
49.         }

复制代码

, h) T/ \- v9 O6 s( U/ b, p
. [# s* K) `( F7 W3 U, z( J  R2 j  v

PowcAncn

weishaneweishane