之前看过Python学习的经验，说以工程为导向学习。
自己分析了一下，一般接触Python的都有一定的其他语言基础，对于程序设计的基本逻辑，语法都有一个大概的了解。而Python这种脚本语言，没有过于独特的语法，在一定的其他语言的基础上，更是可以直接上手的。
之前看Python简明教程，半天没有进度。正好遇上Python爬虫项目，直接上手，方便快捷。
网站：http://acm.njupt.edu.cn/welcome.do?method=index，正值系统更新，于是写一个备份代码的爬虫。
使用的Python库
urllib库：
这个库封装了通过URL与网络服务器通信的方法，包括HTTP的request，response等等，目前为止基本够用。
re库：
即regularexpress，正则表达式库。用来在HTML文档中检索信息。
基本框架
首先通过HTTP协议，向目标服务器提交request请求，然后接受response应答。我们再从应答中，得到我们需要的内容：用户cookie和代码。最后新建本地文件，把他们放进去即可。
具体步骤
A.HTTP请求
Python果然是短平快的语言，如下三行搞定：
myUrl ="http://acm.njupt.edu.cn/acmhome/index"#目标页面 req=urllib2.Request(myUrl)#用URL得到request对象 myResponse = urllib2.urlopen(req)#通过urlopen()函数发送request，得到返回的response myPage = myResponse.read()#在response中读取页面信息
B.登入权限获取
分析页面我们看到，要备份代码需要提交用户名和密码，而且提交的页面不是主页，而是登陆页。根据HTTP的知识，需要用POST方法提交包含表单信息的request。使用chrome开发人员工具，检测到提价的表达包含如下内容。
这在Python中也好实现：
myUrl ="http://acm.njupt.edu.cn/acmhome/login.do"#url地址改为登入页
self.postdata = urllib.urlencode({
‘userName‘:self.userName,
‘password‘:self.passWord
})#{}中为Python的字典结构数据，传入username和password
#urlencode()函数把字典结构编码为特定的data类
req=urllib2.Request(
url = myUrl,
data = self.postdata
)
#给Request传入URL以及编码好的data数据
myResponse = urllib2.urlopen(req)
myPage = myResponse.read()
C.处理cookie
之前的还少考虑了一个东西，就是登入后要访问网站的其他页面时，需要用到登入的cookie。Python中没有特殊定义的访问貌似是不保留cookie的。于是我们要从写一个可保留cookie的HTTP通信方式。
首先是Python中的几个概念：
opener：用于通信的对象，之前代码中urllib.urlopen()使用系统默认的opener，等价于default_opener.urlopen()
handler：一个opener包含多个hander，用于处理通信间的各种子问题，包括cookie问题。
于是，上面处理cookie的方法就是，重写一个opener，给予其可处理cookie的handler。
cookie_support =urllib2.HTTPCookieProcessor(cookielib.CookieJar()) #新建cookie_handler opener =urllib2.build_opener(cookie_support,urllib2.HTTPHandler) #用cookie_handler建立cookie_opener urllib2.install_opener(opener) #设定为默认opener
到此，我们可以实现登入权限获取。
D.定位到代码页面
我们要从首页开始，找到代码页面。本来直接获取URL即可。不过发现代码页面URL如下：
这个页面包含了时间和登入信息的未知编码，应该是通过转义的。这里的解决方法是通过已知页面获取URL而不是手动输入。
分析页面后，可以如下获得代码页面：
首页-->用户信息-->通过代码-->’G++|GCC|JAVA’字段超链接，如下
于是，解析获得的HTML，得到超链接：
myItem = re.findall(‘<ahref=\"/acmhome/solutionCode\.do\?id\=.*?\"\ ‘,myPage,re.S) for item in myItem: url=‘http://acm.njupt.edu.cn/acmhome/solutionCode.do?id=‘+item[37:len(item)-2]
E.扣去文本
如上，可以看出网站是用XML来存储，转义为HTML，于是我们要替换文本中的转义标签，得到正常文本：
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("语言:(.*)?face=\"",re.DOTALL)
def replace_char(self,x):
x=self.A.sub(" ",x)
x=self.B.sub("\r",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
F.存入文件
首先要得到代码的中文题目作为文件名，不过这在自己的代码页看不到，只能到代码主页去找。找到后抓取<title>中的字段作为用户名即可。
tname=re.findall(‘title\>.*?\</title‘,p,re.S) f =open(tname[0][6:len(tname[0])-7]+‘_‘+sname[8:len(sname)-8]+‘.txt‘,‘w+‘) f.write(self.mytool.replace_char(mytem[0])) f.close()
最终程序
# -*- coding: cp936 -*-
#copyright by B08020129
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("语言:(.*)?face=\"",re.DOTALL)
def replace_char(self,x):
x=self.A.sub(" ",x)
x=self.B.sub("\r",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 = 1
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)
if next:
flag = True
else:
flag = False
myItem = re.findall(‘<ahref=\"/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(‘语言.*?</font>.*?Times NewRoman\"\>.*?\</font\>‘,myPage,re.S)
#print(mytem)
sName = re.findall(‘源代码--.*?</strong‘,myPage,re.S)
for sname in sName:
#print(sname[2:len(sname)-8])
name="http://acm.njupt.edu.cn/acmhome/problemdetail.do?&method=showdetail&id="+sname[8:len(sname)-8];
#print(name)
p=urllib2.urlopen(name).read()
#print(p)
tname=re.findall(‘title\>.*?\</title‘,p,re.S)
print(tname[0][6:len(tname[0])-7]+‘_‘+sname[8:len(sname)-8])
f =open(tname[0][6:len(tname[0])-7]+‘_‘+sname[8:len(sname)-8]+‘.txt‘,‘w+‘)
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()
myModel =HTML_Model(u,p)
myModel.GetPage()
得到文件
以及文件中的正常代码：
下一步用更好地方法试着一键注册及提交所有代码。
[python]南邮OJ代码备份爬虫