OnlineJudge 离线题库采集

　　过段时间要把以前的OJ换掉，我负责VirtualJudge的部分。需要用C与PHP写一个Linux下的VJudge。

    在此之前，将以前写给自己学弟学妹用的OJ离线题库的采集程序改进了一下。支持国内一些知名高校的OJ，为之后VJudge的开发练练手，熟悉下各个OJ的结构，免去以后再在LINUX上进行一些繁琐的测试。

    题目的采集没有使用任何OJ的API，直接采取从HTML页面采集数据并处理的方式。下载HTTP文件使用的是WinINet函数集，用起来比CURL还方便。正则表达式使用的ATL库里的regex。题目的储存使用的文件进行储存。别看一个OJ就有几千道题，文件结构访问的速度却是相当地快。因为抓取出来的题目有大量的HTML标签，先要全部去掉非常地困难（一些题目有不同的格式与链接标签，甚至有一些题目是关于标记语言的题目）。因为我现在做的是离线的题库，于是将这些标签保留写来，利用HTML的方式显示我采集的题目。

 

    目前做了六个OJ：

    1、bnu（北京师范大学OJ）:这个OJ我觉得是国内用户体验做得最好的一个OJ，自己OJ的题目很丰富（含有较多不错的中文），VOJ的功能也完美地融合在自己的OJ中。

    2、hdu（杭州电子科技大学OJ）:拥有国内最强判题机群，国内各大算法竞赛都选在杭电OJ举行。

    3、neu（成都东软学院OJ）:很多人可能都不知道这OJ，也是国内少数登录需要验证码的奇葩OJ，以至于VOJ想支持它都困难，简单题爆多，欢迎来撸。我母校嘛，必须有，虽然我亚洲区牌都没拿到个，学校最高也就个铜。补习班性质的比赛嘛，二本学校的学生都不想把耍的时间花在觉得苦逼的事情上，我能拿着塑料坚持那么久也是NB了。该OJ即将在今年更换新的系统，判题内核、数据管理、界面、以及VOJ都由我们的老成员完成。希望以后学校的骚年能取得好成绩--wchrt。

    4、poj（北京大学OJ）:搞ICPC的骚年都知道，国内最为知名的OJ之一。

    5、vijos（高效信息学在线评测系OJ）:里面全是中文题哦，小心有大量的小学生，分分钟虐爆你的小学生。

    6、zoj（浙江大学OJ）:国内起步最早的OJ之一，但我基本没怎么用过这个OJ。

 

    下面根据各oj分别列出了获取题目内容与标题的正则表达式：

 1 ojnum=0;
 2     cbox->AddString("bnu");
 3     ojurl[ojnum]="http://www.bnuoj.com/bnuoj/problem_show.php?pid=";
 4     ojgetstr[ojnum].allcontent="{<div id=\"showproblem\">(.|\n)*?<div id=\"one_content_base\">}";
 5     ojgetstr[ojnum].title="<div id=\"showproblem\.*?<h1.*?>{.*?}</h1>";
 6     ojgetstr[ojnum].iscode=true;
 7     ojgetstr[ojnum].getnum=-1;
 8     ojgetstr[ojnum].pnostart=1000;
 9     ojnum++;
10  
11     cbox->AddString("hdu");
12     ojurl[ojnum]="http://acm.hdu.edu.cn/showproblem.php?pid=";
13     ojgetstr[ojnum].allcontent="{<h1(.|\n)*?Note</a>}";
14     ojgetstr[ojnum].title="<h1.*?>{.*?}</h1>";
15     ojgetstr[ojnum].iscode=false;
16     ojgetstr[ojnum].getnum=-1;
17     ojgetstr[ojnum].pnostart=1000;
18     ojnum++;
19  
20     cbox->AddString("neu");
21     ojurl[ojnum]="http://acm.nsu.edu.cn/JudgeOnline/problem.php?id=";
22     ojgetstr[ojnum].allcontent="{<div id=main(.|\n)*?Sample Output(.|\n)*?BBS(.|\n)*?</a>}";
23     ojgetstr[ojnum].title="<title.*?>{.*?}</title>";
24     //目前不需要把内容信息分开，就不正则详细的题目内容
25     /*ojgetstr[ojnum].tim="Time Limit:{.*?}&nbsp";
26     ojgetstr[ojnum].mem="Memory Limit:{.*?}<br>";
27     ojgetstr[ojnum].des=">Description</h2>.*?<div.*?>{.*?}</div>";
28     ojgetstr[ojnum].input=">Input</h2>.*?<div.*?>{.*?</div>.*?}</div>";
29     ojgetstr[ojnum].output=">Output</h2>.*?<div.*?>{.*?}</div>";
30     ojgetstr[ojnum].sinput=">Sample Input</h2>.*?{<pre>(.|\n)*?</pre>}";
31     ojgetstr[ojnum].soutput=">Sample Output</h2>.*?{<pre>(.|\n)*?</pre>}";*/
32     ojgetstr[ojnum].iscode=true;
33     ojgetstr[ojnum].getnum=-1;
34     ojgetstr[ojnum].pnostart=1000;
35     ojnum++;
36  
37     cbox->AddString("poj");
38     ojurl[ojnum]="http://poj.org/problem?id=";
39     ojgetstr[ojnum].allcontent="{<div class=\"ptt\"(.|\n)*?Discuss</a>}";
40     ojgetstr[ojnum].title="<div class=\"ptt\".*?>{.*?}</div>";
41     ojgetstr[ojnum].iscode=true;
42     ojgetstr[ojnum].getnum=49;//poj最多只允许短时间访问49道题
43     ojgetstr[ojnum].pnostart=1000;
44     ojnum++;
45  
46     cbox->AddString("vijos");
47     ojurl[ojnum]="https://vijos.org/p/";
48     ojgetstr[ojnum].allcontent="{<div class=\"pcontent\">(.|\n)*}<h4";
49     ojgetstr[ojnum].title="<div class=\"content\">.*?</span>{.*?}<div";
50     ojgetstr[ojnum].iscode=true;
51     ojgetstr[ojnum].getnum=-1;
52     ojgetstr[ojnum].pnostart=1000;
53     ojnum++;
54  
55     cbox->AddString("zoj");
56     ojurl[ojnum]="http://acm.zju.edu.cn/onlinejudge/showProblem.do?problemCode=";
57     ojgetstr[ojnum].allcontent="{<div id=\"content_body\">(.|\n)*</div>}";
58     ojgetstr[ojnum].title="<div id=\"content_body\">.*?>.*?>{.*?}</span>";
59     ojgetstr[ojnum].iscode=false;
60     ojgetstr[ojnum].getnum=-1;
61     ojgetstr[ojnum].pnostart=1000;
62     ojnum++;

 

因为不同的OJ网站所使用的编码格式不同，我使用的是ansi，所以要把一些使用utf-8的网页转换为ansi，下面是转换的代码：

static void  UTF8toANSI(CString &strUTF8)
{
    UINT nLen = MultiByteToWideChar(CP_UTF8,NULL,strUTF8,-1,NULL,NULL);
    WCHAR *wszBuffer = new WCHAR[nLen+1];
    nLen = MultiByteToWideChar(CP_UTF8,NULL,strUTF8,-1,wszBuffer,nLen);
    wszBuffer[nLen] = 0;
    nLen = WideCharToMultiByte(936,NULL,wszBuffer,-1,NULL,NULL,NULL,NULL);
    CHAR *szBuffer = new CHAR[nLen+1];
    nLen = WideCharToMultiByte(936,NULL,wszBuffer,-1,szBuffer,nLen,NULL,NULL);
    szBuffer[nLen] = 0;
 
    strUTF8 = szBuffer;
    delete []szBuffer;
    delete []wszBuffer;
}

使用WinINet函数集的CInternetSession与CHttpFile下载HTTP文件，那hdu作为例子

hdu的1001题的地址是："http://acm.hdu.edu.cn/showproblem.php?pid=1001"

这里的http://acm.hdu.edu.cn/showproblem.php是hdu的题目PHP文件，我们需要以GET的方式请求pid=1001的数据。对于hdu的其他题目，我们只需把pid的值设置成其他的值即可。

//获取GET方式获取题目的HTML页面
        CInternetSession intsess;
    CHttpFile *phtfile = NULL;
    phtfile = (CHttpFile *)intsess.OpenURL(url);
    UINT nfilelen = (UINT) phtfile->GetLength();
    CString strhtml;
    CString buffer;
    UINT dw=0;
    while(dw<nfilelen)//将数据转入strhtml处理
    {
        dw+=phtfile->ReadString(buffer);
        strhtml+=buffer;
        dw++;
    }
     
    //使用正则表达式提取数需要的内容
    data->all=strhtml;
    getcontent(ojgetstr->allcontent,strhtml,data->allcontent);//去除题目页面的多与信息
    getcontent(ojgetstr->title,strhtml,data->title);
    /*getcontent(ojgetstr->tim,strhtml,data->tim);
    getcontent(ojgetstr->mem,strhtml,data->mem);
    getcontent(ojgetstr->des,strhtml,data->des);
    getcontent(ojgetstr->input,strhtml,data->input);
    getcontent(ojgetstr->output,strhtml,data->output);
    getcontent(ojgetstr->sinput,strhtml,data->sinput);
    getcontent(ojgetstr->soutput,strhtml,data->soutput);*/
 
    if(ojgetstr->iscode)
    {
        UTF8toANSI(data->allcontent);
        UTF8toANSI(data->title);
        /*UTF8toANSI(data->tim);
        UTF8toANSI(data->mem);
        UTF8toANSI(data->des);
        UTF8toANSI(data->input);
        UTF8toANSI(data->output);
        UTF8toANSI(data->sinput);
        UTF8toANSI(data->soutput);*/
    }
 
    if(data->allcontent.GetLength()<5||data->title.GetLength()<1)
    {
        return 0;
    }
    //将处理后的数据写入到文件中
    CFile file;
    if(!file.Open("c:\\ojdata\\"+data->oj+"\\"+data->id,CFile::modeWrite))
    {
        if(!file.Open("c:\\ojdata\\"+data->oj+"\\"+data->id,CFile::modeCreate|CFile::modeWrite))
        {
            return 0;
        }
    }
    CArchive ar(&file,CArchive::store);
    ar<<data;
    ar.Close();
    file.Close();

因为每个OJ的题目都有几千道，不可能每次打开软件都去遍历那么几千个文件，效率太低而且容易出错。因此我将每个题目的ID和标题都提取出来，放到一个文件中记录，用于题目的引索。

引索的结构是：题目数量、id1、标题1、id2、标题2、id3...的格式，每个OJ一个表。

下面是储存记录的代码，使用序列化储存：

CFile file;
    if(!file.Open("c:\\ojdata\\"+oj+"\\pinfo",CFile::modeWrite))
    {
        if(!file.Open("c:\\ojdata\\"+oj+"\\pinfo",CFile::modeCreate|CFile::modeWrite))
        {
            AfxMessageBox("写入出错");
            return 1;
        }
    }
    CArchive ar(&file,CArchive::store);
    ar<<that->infonum;
    for(int i=0;i<that->infonum;i++)
    {
        ar<<(&that->problemarr[i]);
    }
    ar.Close();
    file.Close();
 
    //统计题目下载成功与失败
    str.Format("SECC:%d  FAIL:%d",that->infonum,totalnum-50-that->infonum);

hdu的：

全是中文题目的VIJOS，不错不错：

水水更健康：

基本上题目的采集工作到此结束。以后做VOJ的时候再将各个部分正则出来。

因为网络环境的因素，OJ题目的访问速度不一定很快，这里可以用开多个线程进行下载，以及优化题目的下载和处理，因为我可以直接挂在我的服务器上下载，所以就一条线程下载处理完了。我用的电信50M的宽带（坑爆，说是50M，上行只有不到2M，电信太煎饼了，一个月169还不包含短信费，80端口封完喊还推荐我开3000一个月的商务宽带）大概下载一个OJ的所有题目10多分钟，我直接6个OJ一起下载的。不想等待的朋友可以直接在附件下载我采集好的题目包，把它解压到到C盘即可。

 

    采集到了题目，怎么看呢？肯定不能直接给人看，一堆标记语言烦死了。WINDOWS自带了浏览器控件，直接使用它即可，我使用了两种方式，一种是对话框上的HTML控件，可能是我的原因但是这个控件不稳定， 在一些电脑上老加载出错。

    于是我另外用了CDHtmlDialog。这直接是个HTML的对话框，每次把题目的本地地址给他后让其Navigate即可。由于我题目是储存的一个problemdata结构体，含有一些其他的信息。打开题目前需要把要显示的题目提取出来，重新生成一个HTML文件，然后再让HTML对话框打开它。

题目的显示过程：

bool ProblemList::opensafeproblem(CString oj,CString pid)
{
    CFile file;
    if(!file.Open("c:\\ojdata\\"+oj+"\\"+pid,CFile::modeRead))
    {
        return false;
    }
    CArchive ar(&file,CArchive::load);
    problemdata *data;
    ar>>data;
    ar.Close();
    file.Close();
 
 
    HtmlContent *contentdlg=new HtmlContent;
    if(!contentdlg->setdata(*data))
    {
        AfxMessageBox("文件打开失败");
        return false;
    }
    contentdlg->Create(IDD_DIALOG_HTML);
    contentdlg->ShowWindow(SW_SHOW);
 
    contentdlg->SetWindowTextA(pid);
 
    return true;
}

BOOL HtmlContent::OnInitDialog()
{
    CDHtmlDialog::OnInitDialog();
 
    this->SetHostFlags(DOCHOSTUIFLAG_NO3DBORDER | DOCHOSTUIFLAG_FLAT_SCROLLBAR);
 
 
    //将题目转化为HTML文件并在本地打开显示
    CFile *f=new CFile;
    if(!f->Open("c:\\ojdata\\"+data->oj+"\\"+data->id+".html",CFile::modeCreate|CFile::modeWrite))
    {
        AfxMessageBox("打开失败");
        this->CloseWindow();
    }
    f->Write(data->allcontent,data->allcontent.GetLength());
    f->Close();
     
    this->Navigate("c:\\ojdata\\"+data->oj+"\\"+data->id+".html");
    return TRUE;  // 除非将焦点设置到控件，否则返回 TRUE
}

整个离线题库就是这样，需要支持其他OJ只要改改正则和题号即可，对于一些没法直接获取到题目的OJ要做另外的处理，uestc的新OJ就需要另外的方式获取题目内容。

    采集程序源码

    采集程序

    OJ题库下载