OJ升级,代码可能会丢失. 所以要事先备份. 一开始傻傻的复制粘贴, 后来实在不能忍, 得益于大潇的启发和聪神的原始代码, 网页爬虫走起!
已经有段时间没看Python, 这次网页爬虫的原始代码是 python2.7版本, 试了一下修改到3.0版本, 要做很多包的更替,感觉比较烦,所以索性就在这个2.7版本上完善了.
首先观赏一下原始代码,我给加了一些注释:
# -*- coding: cp936 -*-
import urllib2
import urllib
import re
import thread
import time
import cookielib
cookie_support = urllib2.HTTPCookieProcessor(cookielib.CookieJar())
opener = urllib2.build_opener(cookie_support,urllib2.HTTPHandler)
urllib2.install_opener(opener)
# 下面是正则表达式部分,意在过滤爬取页面的标签信息
class Tool:
A = re.compile(" \;") #A-J对标签进行匹配
B = re.compile("\<BR\>")
C = re.compile("<\;")
D = re.compile(">\;")
E = re.compile(""\;")
F = re.compile("&")
G = re.compile("Times\ New\ Roman\"\>")
H = re.compile("\</font\>")
I = re.compile("‘")
J = re.compile(r‘语言.*?face=‘)
def replace_char(self,x): #将标签内容替换成目标内容
x=self.A.sub(" ",x)
x=self.B.sub("\n\t",x)
x=self.C.sub("<",x)
x=self.D.sub(">",x)
x=self.E.sub("\"",x)
x=self.F.sub("&",x)
x=self.G.sub("",x)
x=self.H.sub("",x)
x=self.I.sub("\‘",x)
x=self.J.sub("",x)
return x
class HTML_Model:
def __init__(self,u,p):
self.userName = u #用户名和密码等登入信息
self.passWord = p
self.mytool = Tool()
self.page = 1 #从代码页的第一页开始爬
self.postdata = urllib.urlencode({
‘userName‘:self.userName,
‘password‘:self.passWord
})
def GetPage(self):
myUrl = "http://acm.njupt.edu.cn/acmhome/login.do"
#请求包括网址和登入表单
req=urllib2.Request(
url = myUrl,
data = self.postdata
)
#此次相应为打开这个url
myResponse = urllib2.urlopen(req)
#读取页面
myPage = myResponse.read()
flag = True
#当flag为true时 继续抓取下一页
while flag:
#下一页网址
myUrl="http://acm.njupt.edu.cn/acmhome/showstatus.do?problemId=null&contestId=null&userName="+self.userName+"&result=1&language=&page="+str(self.page)
#print(myUrl)
myResponse = urllib2.urlopen(myUrl)
#打开下一页的页面
myPage = myResponse.read()
#正则表达式搜索是否还有下一页,更新flag. 原理为在当前页查找, 如果当前页面有提交的代码,则含有类似"<a href="/acmhome/solutionCode.do?id=4af76cc2459a0dd30145eb3dd1671dc5" target="_blank">G++</a>" 这样的标签. 也就是说如果我的代码只有84页,那么则在第85页flag-false,不再访问86页
st="\<a\ href\=.*?G\+\+"
next = re.search(st,myPage)
#print(st)
print(next)
if next:
flag=True
print("True")
else:
flag=False
print("False")
#print(myPage)
#找到当前页面下所有题目代码的连接,放在myItem这个list中
myItem = re.findall(r‘<a href=\"/acmhome/solutionCode\.do\?id\=.*?\"\ ‘,myPage,re.S)
for item in myItem:
#print(item)
#对于每个题目代码连接,访问其所在页面
url=‘http://acm.njupt.edu.cn/acmhome/solutionCode.do?id=‘+item[37:len(item)-2]
#print(url)
myResponse = urllib2.urlopen(url)
myPage = myResponse.read()
mytem = re.findall(r‘语言.*?</font>.*?Times New Roman\"\>.*?\</font\>‘,myPage,re.S)
#print(mytem)
sName = re.findall(r‘源代码--.*?</strong‘,myPage,re.S)
#sName = sName[2:len(sName)]
for sname in sName:
print(sname[2:len(sname)-8])
# sname中包含了题号信息
f = open(sname[2:len(sname)-8]+‘.txt‘,‘w+‘)
#通过前面的标签过滤函数,将过滤后的代码写在文件里
f.write(self.mytool.replace_char(mytem[0]))
f.close()
print(‘done!‘)
self.page = self.page+1
print u‘plz input the name‘
u=raw_input()
print u‘plz input password‘
p=raw_input()
#u = "B08020129"
#p = *******"
myModel = HTML_Model(u,p)
myModel.GetPage()
现在这个代码有两个问题:
首先,在标签匹配的时候没有支持多行,也就是爬下来的代码中仍然包含跨度多行的标签, 纯代码仍然需要人工提取.
第二,因为代码页面并没有问题的题目信息,所以仅以题号作为文件名. 这样若果升级后的OJ题目顺序发生改变, 将无法将题目与代码进行对应.
针对第一个问题, 修正的方法比较简单:
在正则表达式匹配的时候, 将第二个参数位置加上re.DOTALL即可.
例如:
J = re.compile(r‘语言.*?face=‘,re.DOTALL)
对于第二个问题, 可以根据题号寻找题目的页面(而非此前代码的页面), 然后从题目页面中提取标题信息.
在题目页面中,我发现只有标题是用<strong><\strong> 标签修饰的,所以可以这样匹配
sName2=re.findall(r‘<strong>([^<]+)</strong>‘,myPage2,re.S)
另外文件命名的时候不可以有空格,所以还要滤除空格
sname2=sname2.replace(" ","")
即使这样,有时在创建文件时仍然会抛出异常, 但是重新执行一次可能就会不再出现问题.
下面是晚上后的代码, 修改的地方加粗了.
# -*- coding: cp936 -*-
import urllib2
import urllib
import re
import thread
import time
import cookielib
cookie_support = urllib2.HTTPCookieProcessor(cookielib.CookieJar())
opener = urllib2.build_opener(cookie_support,urllib2.HTTPHandler)
urllib2.install_opener(opener)
class Tool:
A = re.compile(" \;")
B = re.compile("\<BR\>")
C = re.compile("<\;")
D = re.compile(">\;")
E = re.compile(""\;")
F = re.compile("&")
G = re.compile("\"Times\ New\ Roman\"\>")
H = re.compile("\</font\>")
I = re.compile("‘")
J = re.compile(r‘语言.*?face=‘,re.DOTALL)
def replace_char(self,x):
x=self.A.sub(" ",x)
x=self.B.sub("\n\t",x)
x=self.C.sub("<",x)
x=self.D.sub(">",x)
x=self.E.sub("\"",x)
x=self.F.sub("&",x)
x=self.G.sub("",x)
x=self.H.sub("",x)
x=self.I.sub("\‘",x)
x=self.J.sub("",x)
return x
class HTML_Model:
def __init__(self,u,p):
self.userName = u
self.passWord = p
self.mytool = Tool()
self.page = 81
self.postdata = urllib.urlencode({
‘userName‘:self.userName,
‘password‘:self.passWord
})
def GetPage(self):
myUrl = "http://acm.njupt.edu.cn/acmhome/login.do"
req=urllib2.Request(
url = myUrl,
data = self.postdata
)
myResponse = urllib2.urlopen(req)
myPage = myResponse.read()
flag = True
while flag:
myUrl="http://acm.njupt.edu.cn/acmhome/showstatus.do?problemId=null&contestId=null&userName="+self.userName+"&result=1&language=&page="+str(self.page)
#print(myUrl)
myResponse = urllib2.urlopen(myUrl)
myPage = myResponse.read()
st="\<a\ href\=.*?G\+\+"
next = re.search(st,myPage)
#print(st)
print(next)
if next:
flag=True
print("True")
else:
flag=False
print("False")
#print(myPage)
myItem = re.findall(r‘<a href=\"/acmhome/solutionCode\.do\?id\=.*?\"\ ‘,myPage,re.S)
for item in myItem:
#print(item)
url=‘http://acm.njupt.edu.cn/acmhome/solutionCode.do?id=‘+item[37:len(item)-2]
#print(url)
myResponse = urllib2.urlopen(url)
myPage = myResponse.read()
mytem = re.findall(r‘语言.*?</font>.*?Times New Roman\"\>.*?\</font\>‘,myPage,re.S)
#print(mytem)
sName = re.findall(r‘源代码--.*?</strong‘,myPage,re.S)
#sName = sName[2:len(sName)]
for sname in sName:
url2="http://acm.njupt.edu.cn/acmhome/problemdetail.do?&method=showdetail&id="+sname[8:len(sname)-8]
myResponse2=urllib2.urlopen(url2)
myPage2=myResponse2.read();
sName2=re.findall(r‘<strong>([^<]+)</strong>‘,myPage2,re.S)
sname2=sName2[0]
sname2=sname2.replace(" ","")
# print(sName)
print(sname[8:len(sname)-8]+‘.‘+sname2[0:len(sname2)])
f = open(sname[8:len(sname)-8]+‘.‘+sname2[0:len(sname2)]+‘.txt‘,‘w+‘)
f.write(self.mytool.replace_char(mytem[0]))
f.close()
print(‘done!‘)
print(self.page)
self.page = self.page+1
#print u‘plz input the name‘
#u=raw_input()
#print u‘plz input password‘
#p=raw_input()
u = "LTianchao"
p = "******"
myModel = HTML_Model(u,p)
myModel.GetPage()
关于Python的网页爬取问题,这只是一个很简单的demo, 下面还需要深入学习.(如果有时间的话)
Python编写网页爬虫爬取oj上的代码信息
时间： 2024-08-02 10:57:04