[Python]南邮OJ代码备份爬虫

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

*注意，Python中字符串有替换函数，str.replace(替换字符，原字符)；不过如果要根据正则表达式来替换，需要用re模块的re.sub()函数才行，replace不能使用正则表达式。

*还有，replace返回替换的字符串，原始字符串没有任何改变

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。