教你用python写：HDU刷题神器

本文转载自查看原文 2017-08-09 20:40 2121 python/ python----爬虫/ ACM

声明：本文以学习为目的，请不要影响他人正常判题

HDU刷题神器，早已被前辈们做出来了，不过没有见过用python写的。大一的时候见识了学长写这个，当时还是一脸懵逼，只知道这玩意儿好屌…。时隔一年，决定自己实现这个功能。

刷到第13名，AC率不高，因为，搜索引擎搜到的结果，往后就很难找到正确的代码了

首先对辛苦刷题的acmer和hdu的管理员道歉，各位，抱歉。

介绍整体思路：

整体用多线程：线程执行从爬代码到提交的全部过程
分层次：对搜索引擎搜索的结果，进行划分，分层爬取

局部思路：

爬取搜索引擎得到的与题目相关的url，得到url_list
爬取url_list中的url，扒到代码就提交
检查提交结果，WA之后继续爬取url_list中的代码
循环，直到列表为空或者AC

相关模块：

threadpool线程池，分配线程任务，多线程并发提交代码
用requests模块发送请求
正则爬取url和代码
Sqlite存放AC代码（打表啊，再申请个账号从数据库中提交代码100%AC）

1）采用线程池实现多线程，注意控制最大并发数量

搜索引擎使用CSDN的搜索，因为我们爬取的代码全都来自CSDN的博客，可以看一下其他论坛，博客的代码：

（右键，在新标签页中打开查看高清图片）

哦，这实在太不友好了，而CSDN博客的代码就好很多了（尽管很友好了，class和name有些先后顺序不一样，也会添乱）

所以，我们决定扒CSDN博客的代码。

搜索引擎的选择，CSDN（部分搜索结果是百度提供的）

其实，第一想到的是百度的，然而。。。

加密了，增大了我们的工作量，所以，就直接用CSDN的（也有百度的结果）

在CSDN搜索结果的最下方，我们可以看到上图中有14W结果（好唬人啊），其实事情是这样的：

这是一个搜索hdu 1000的url，我们注意到用的get()方法传数据，发现只有p=？，试一下就知道，这个是页码。如果页码改为200呢？

100？

开玩笑啊，14W结果呢？最后我们得出结论：搜索结果只有76页，而且越往后，得到我们想要代码的可能性就越小，所以我只爬到20页就结束程序

关于线程池的部分，在大牛博客说的很清楚，通过threadpool模块的源码，可以理解的很清楚

注意线程池添加任务，给任务传递多参数，需要查看源码，理解参数传递的过程，解决办法

 1 # coding   :utf-8
 2 # @Time    : 2017/8/7 11:24
 3 # @Author  : Yong-life
 4 # @File    : crawling_hdu.py
 5 
 6 import requests
 7 import re
 8 from headers_cookies import *
 9 import threadpool
10 from searching_code import submit_code_from_url
11 
12 '''
13 我要AK HDU
14 
15 需要安装threadpool，requests，pywin32模块
16 先打开chrome浏览器登录hdu（cookies是从chrome拿的，刚登陆后可能因为cookie的问题程序抛出ValueError的异常，多启动几次就好了）
17 '''
18 
19 
20 def search_pid():
21     problem_list = []
22     '''共52页题目'''
23     page_number = 52 + 1
24     for i in range(page_number):
25         '''请求url'''
26         url = 'http://acm.hdu.edu.cn/listproblem.php?vol=' + str(i)
27         response = requests.get(url, headers=get_headers(), cookies=get_cookie_from_chrome())
28         '''抓取题目信息'''
29         patternPidList = r'><script language="javascript">([\s\S]*?);</script>'
30         problems = re.search(patternPidList, response.text).group(1).split(';')
31         for problem in problems:
32             try:
33                 pid = int(problem[4:8])
34                 status = int(problem[9])
35                 problem_list.append((pid, status))
36             except ValueError:
37                 '''ValueError'''
38                 print(type(pid), pid, type(status), status)
39 
40     return problem_list
41 
42 
43 def start_crawling():
44     pid_list = []
45     '''最大并发数量，超过10就很影响别人，相当于同时有5个人在提交代码，提交一次判断完成后才会继续提交其他代码'''
46     THREAD_NUMBER = 5
47     '''从搜索到的第crawl_level_begin页继续开始扒代码'''
48     crawl_level_begin = 1
49     '''分段式扒代码'''
50     crawl_level = 4
51     END_MARK = True
52     while END_MARK:
53         print("正在爬取题目信息……")
54         for problem in search_pid():
55             pid, status = problem
56             if status != 5:
57                 '''多参数构造'''
58                 pid_list.append(([pid, crawl_level_begin, crawl_level], None))  # 必须封装为元组，否则会给参数再封装一层列表，也可以改目标函数
59             if len(pid_list) == THREAD_NUMBER:
60                 '''定义线程池大小'''
61                 task_pool = threadpool.ThreadPool(THREAD_NUMBER)
62                 '''任务列表'''
63                 request_task = []
64                 '''构造任务列表'''
65                 request_task = threadpool.makeRequests(submit_code_from_url, pid_list)
66                 '''将每个任务放到线程池中，等待线程池中线程各自读取任务'''
67                 [task_pool.putRequest(req) for req in request_task]
68                 '''等待所有任务处理完成，则返回，如果没有处理完，则一直阻塞'''
69                 task_pool.wait()
70 
71                 pid_list = []
72         '''判断是否全对，全对结束'''
73         END_MARK = False
74         print('正在搜索AC情况，，，')
75         for status in search_pid()[1]:
76             if status != 5:
77                 END_MARK = True
78                 print('未AK...')
79                 '''增加搜索范围'''
80                 crawl_level_begin = crawl_level
81                 crawl_level += 4
82                 print('增大搜索范围继续搜索...')
83                 print('当前搜索范围：', crawl_level_begin, crawl_level)
84                 break
85 
86         '''CSDN搜索最搜索到30页数据，而且部分是百度提供的结果'''
87         if crawl_level > 30:
88             break
89 
90     print('AK!')
91 
92 
93 if __name__ == '__main__':
94     start_crawling()

2）线程开始跑了：分布式思想，分块，分层，完成AK任务

爬取crawl_level_begin-crawl_level页搜索结果的url
按照url_list爬取代码
提交代码

每轮爬完6000+题后，判断是否AK，AK则结束程序，否则增加crawl_level继续查找代码提交

经过剪枝优化，代码更快了

  1 # coding   :utf-8
  2 # @Time    : 2017/8/7 15:06
  3 # @Author  : Yong-life
  4 # @File    : searching_code.py
  5 
  6 from urllib import request
  7 import urllib
  8 from headers_cookies import get_headers
  9 import re
 10 import sqlite3
 11 from sqlite_hdu import Sql
 12 from submit_codes import *
 13 import threading
 14 from submit_codes import SubmitCode
 15 import sys
 16 
 17 
 18 def submit_code_from_url(pid, crawl_level_begin, crawl_level):
 19     '''爬取url_list，提交代码'''
 20     url_list = code_url_list(str(pid), crawl_level_begin, crawl_level)
 21     for url in url_list:
 22         '''仅爬取博客链接'''
 23         if url[7:11] != 'blog':  # 删选url
 24             continue
 25         code = crawling_code(pid, url)
 26         if code == '':
 27             '''未查找到代码'''
 28             continue
 29         submit = SubmitCode(pid, code)
 30         if submit.submit_manager():
 31             '''AC,保存代码'''
 32             sql_save_code = Sql()
 33             if sql_save_code.query_pid(pid) is None:
 34                 sql_save_code.insert_msg(pid, 5, code)
 35             else:
 36                 sql_save_code.update_problem_code(pid, code)
 37             sql_save_code.sql_close()
 38             return
 39 
 40     print("爬取代码完毕，任务结束: " + str(pid) + "提交尚未成功！")
 41     return
 42 
 43 
 44 def code_url_list(problem_msg, crawl_level_begin, crawl_level):  # 题号和其他信息
 45     '''爬取题目链接'''
 46     url_list = []
 47     '''页码,根据爬虫等级，扩大搜索范围'''
 48     page_number = crawl_level_begin
 49     '''最大页码'''
 50     MAX_PAGE = crawl_level
 51     while page_number < MAX_PAGE:
 52         '''发送url请求'''
 53         url = 'http://so.csdn.net/so/search/s.do?p=' + str(page_number) + '&q=' + 'hdu' + request.quote(problem_msg)
 54         req = request.Request(url, headers=get_headers())
 55         try:
 56             respongse = request.urlopen(req).read().decode('utf-8')
 57         except urllib.error.HTTPError:
 58             continue
 59         '''爬取url链接'''
 60         pattern_problem_url = '<dt>[\s]*?<a href="(.*?)"?  target="_blank" ([\s\S]*?)</a>'
 61         '''url的title中没有发现题目信息，删去'''
 62         result_list = re.findall(pattern_problem_url, respongse)
 63         for i in result_list:
 64             if i[1].find(problem_msg) == -1:
 65                 result_list.remove(i)
 66         result = result_list[:]
 67         result_list = []
 68         result_list.extend(url[0] for url in result)
 69         url_list.extend(result_list)
 70 
 71         print(problem_msg + ': ' + str(page_number) + '页已搜索完毕！')
 72         page_number += 1
 73 
 74     print('题目url列表爬取完毕!!!')
 75     return url_list
 76 
 77 
 78 def crawling_code(pid, code_url):
 79     '''爬代码'''
 80     req = request.Request(code_url, headers=get_headers())
 81     response = ''
 82     try:
 83         response = request.urlopen(req).read().decode('utf-8')
 84     except urllib.error.HTTPError as e:
 85         print(e)
 86 
 87     '''查找C，C++代码'''
 88     pattern_code_cpp = 'class="cpp">([\s\S]*?)</pre>'
 89     code = re.search(pattern_code_cpp, response)
 90     if code is not None and code.group(1).find('include') != -1:
 91         print(str(pid) + 'cpp, 已找到！')
 92         '''对代码中html元素进行处理'''
 93         code = '0' + code.group(1)
 94         code = translate_code(code)
 95         return code
 96 
 97     '''查找JAVA代码'''
 98     pattern_code_java = 'class="java">([\s\S]*?)</pre>'
 99     code = re.search(pattern_code_java, response)
100     if code is not None and code.group(1).find('import') != -1:
101         print(str(pid) + 'java, 已找到！')
102         code = '5' + code.group(1)
103         code = translate_code(code)
104         return code
105     return ''

3）对代码中的html元素处理

Compilation Error次数多了就知道什么元素没处理了

 1 # coding   :utf-8
 2 # @Time    : 2017/8/7 19:08
 3 # @Author  : Yong-life
 4 # @File    : translate_code.py
 5 
 6 def translate_code(code):
 7     '''转化代码中的html元素'''
 8     code = code.replace('&lt;', '<')
 9     code = code.replace('&gt;', '>')
10     code = code.replace('&quot;', '"')
11     code = code.replace('&amp;', '&')
12     code = code.replace('&#43;', '+')
13     code = code.replace('&#39;', '\'')
14     code = code.replace('&nbsp;', ' ')
15     code = code.replace('&#160;', ' ')
16     '''替换'''
17     code = code.replace('</pre>', ' ')
18     code = code.replace('</div>', ' ')
19     code = code.replace('<pre>', ' ')
20     code = code.replace('<div>', ' ')
21     code = code.replace('</span>', ' ')
22 
23     return code

4）根据不同语言，选择不同编译器提交代码，并检查代码结果

我们爬取了c，c++，java的代码，提交代码时，要注意选择编译器，我们需要通过提交不同的代码查看请求参数的不同。

这里推荐一款抓包软件：fiddler，小型，实用

关于fiddler的说明：使用fiddler进行抓包测试

测试后，发现：

c:3

c++: 2

G++: 0

JAVA: 5

OK！那么我们在post提交时，修改language参数就可以实现使用不同的编译器进行提交了。提交后，递归检查提交结果。

检查结果时：注意author必须是账户名，用昵称是搜不到

 1 # coding   :utf-8
 2 # @Time    : 2017/8/7 15:00
 3 # @Author  : Yong-life
 4 # @File    : submit_codes.py
 5 
 6 import requests
 7 from sqlite_hdu import Sql
 8 from headers_cookies import *
 9 from translate_code import translate_code
10 import re
11 import time
12 
13 
14 class SubmitCode():
15     '''题目号，代码'''
16 
17     def __init__(self, pid, code):
18         self.cu = Sql()
19         self.pid = pid
20         self.code = code
21 
22     def submit_manager(self):
23 
24         print("提交代码，休息3秒： " + str(self.pid))
25         self.submit(self.pid, self.code)
26         '''提交代码，休息3秒'''
27         time.sleep(3)
28 
29         if self.query_result(self.pid):
30             print("题号： " + str(self.pid) + "已AC")
31             self.cu.sql_close()
32             return True
33         else:
34             print("题号： " + str(self.pid) + "WA ，正在继续提交！")
35         self.cu.sql_close()
36         return False
37 
38     '''提交代码'''
39 
40     def submit(self, pid, code):
41         url = 'http://acm.hdu.edu.cn/submit.php?action=submit'
42         try:
43             data = {
44                 'check': '0',
45                 'problemid': str(pid),
46                 'language': code[0],
47                 'usercode': code[1:]
48             }
49         except IndexError:
50             print("empty code")
51             return
52         response = requests.post(url, data, headers=get_headers(), cookies=get_cookie_from_chrome())
53 
54     '''检查提交结果'''
55 
56     def query_result(self, pid):
57 
58         USER_NAME = self.get_user_name()
59         '''请求url'''
60         url = 'http://acm.hdu.edu.cn/status.php?first=&pid=' + str(pid) + '&user=' + USER_NAME + '&lang=0&status=0'
61         response = requests.get(url, headers=get_headers(), cookies=get_cookie_from_chrome())
62 
63         '''检查结果'''
64         pattern_query = r'<td><font color=red>(.*?)</font>'
65         query_result = re.findall(pattern_query, response.text)
66         if len(query_result) > 0:
67             '''AC'''
68             return True
69         else:
70             '''判断代码提交代码状态'''
71             '''是否在判题中'''
72             if response.text.find("Queuing") != -1 or response.text.find("Running") != -1 or response.text.find(
73                     "Compiling") != -1:
74                 '''等待判题中，暂不提交'''
75                 print('等待判题')
76                 time.sleep(2)
77                 return self.query_result(pid)
78             else:
79                 '''代码WA'''
80                 return False
81 
82     '''爬取账号名，账号名和昵称，只能用账号名查找结果'''
83 
84     def get_user_name(self):
85         url = 'http://acm.hdu.edu.cn/'
86         response = requests.get(url, headers=get_headers(), cookies=get_cookie_from_chrome()).text
87         pattern_user_name = r'width:150px"><a href="/userstatus.php\?user=(.*?)"'
88         user_name = re.search(pattern_user_name, response).group(1)
89 
90         return user_name

5）将AC代码存入数据库

注意：sql查找语句，传值必须是元组的形式，即使只有一个值，要加‘，’

 1 # coding   :utf-8
 2 # @Time    : 2017/8/7 15:42
 3 # @Author  : Yong-life
 4 # @File    : sqlite_hdu.py
 5 
 6 import sqlite3
 7 
 8 
 9 class Sql():
10     def __init__(self):
11         file_path = 'E:\python_workspace\crawling_hdu\sql_databases\hdu.db'
12         self.con = sqlite3.connect(file_path, check_same_thread=False)  # 支持多线程访问
13         self.cu = self.con.cursor()
14         # self.cu.execute('DROP TABLE IF EXISTS problem')
15         self.cu.execute("CREATE TABLE IF NOT EXISTS problem (pid INTEGER PRIMARY KEY , status INT, code TEXT)")
16 
17     def insert_msg(self, pid, status=0, code=''):
18         '''插入信息'''
19         value = (pid, status, code)
20         self.cu.execute("INSERT INTO problem(pid, status, code) VALUES (?,?,?)", value)
21         self.con.commit()
22 
23     def query_code(self, pid):
24         '''查找代码'''
25         self.cu.execute("SELECT code FROM problem WHERE pid=?", (pid,))  # why
26         return self.cu.fetchone()[0]
27 
28     def query_pid(self, pid):
29         '''检查代码是否已存库'''
30         self.cu.execute("SELECT pid FROM problem WHERE pid=?", (pid,))  # why
31         return self.cu.fetchone()
32 
33     def delete_problem_msg(self, pid):
34         '''删除'''
35         self.cu.execute("DELETE FROM problem WHERE pid=?", (pid,))  # why
36         self.con.commit()
37 
38     def update_problem_code(self, pid, code):
39         '''更新代码'''
40         self.cu.execute("UPDATE problem SET code=? WHERE pid=?", (code, pid))
41         self.con.commit()
42 
43     def sql_close(self):
44         self.cu.close()
45         self.con.close()

6）cookie与header的获取：

cookie可以从google的chrome浏览器获取，路径在：“C:\Users\Garbos\AppData\Local\Google\Chrome\User Data\Default\Cookies”，对应改一下用户名就好了

 1 # coding   :utf-8
 2 # @Time    : 2017/7/30 16:42
 3 # @Author  : Jingxiao Fu
 4 # @File    : headers_cookies.py
 5 import random
 6 import os
 7 import subprocess
 8 import sqlite3
 9 import win32crypt
10 import sys
11 
12 header_str = '''Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50
13 Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0)
14 Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)'''
15 
16 
17 def get_headers():
18     header = header_str.split('\n')
19     header_length = len(header)
20     headers = {'user-agent': header[random.randint(0, header_length - 1)]}
21     return headers
22 
23 
24 def get_cookie_use_hand():
25     '''手动复制cookie'''
26     cookie = "Cookie:exesubmitlang=0; PHPSESSID=uqfje2cajo7j3kicrn8d2fol25"
27 
28     cookie = cookie.replace('Cookie:', '')
29     cookie = cookie.replace(' ', '')
30     cookies = cookie.split(';')
31     for i in range(len(cookies)):
32         cookies[i] = cookies[i].replace('=', ':', 1)
33     cookies_dict = {}
34     for header in cookies:
35         L = header.split(':', 1)
36         cookies_dict[L[0]] = L[1]
37     return cookies_dict
38 
39 
40 '''从chrome浏览器获取cookie'''
41 
42 
43 def get_cookie_from_chrome():
44     host_url = 'acm.hdu.edu.cn'
45     cookie_file_path = r"C:\Users\Garbos\AppData\Local\Google\Chrome\User Data\Default\Cookies"
46 
47     sql_query = "select host_key, name, encrypted_value ,value from cookies WHERE host_key='%s'" % host_url
48     with sqlite3.connect(cookie_file_path) as con:
49         cu = con.cursor()
50         cu.execute(sql_query)
51         cookies_sql = {name: win32crypt.CryptUnprotectData(encrypted_value)[1].decode() for
52                        host_key, name, encrypted_value, value in cu.execute(sql_query).fetchall()}
53 
54     return cookies_sql

开始你的AK之旅吧！

免责声明！

本站转载的文章为个人学习借鉴使用，本站对版权不负任何法律责任。如果侵犯了您的隐私权益，请联系本站邮箱yoyou2525@163.com删除。

猜您在找 教你用python打造WiFiddos Python刷题-6 实战|教你用Python玩转Mysql 10分钟教你用python 30行代码搞定简单手写识别！ 10分钟教你用Python写一个贪吃蛇小游戏，适合练手项目 html5入门：教你用canvas写一个时钟 python刷题常用方法 Python开发【面试】：刷题【python】10分钟教你用python如何正确把妹用python写刷票程序