教你用python写：HDU刷题神器

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。

96名，没有再继续刷（，，，已经被管理员发现啦）

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：

1. 整体用多线程：线程执行从爬代码到提交的全部过程
2. 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：

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

相关模块：

1. threadpool线程池，分配线程任务，多线程并发提交代码
2. 用requests模块发送请求
3. 正则爬取url和代码
4. 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）

（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python-线程池里说明

 # coding   :utf-8
 # @Time    : 2017/8/7 11:24
 # @Author  : Yong-life
 # @File    : crawling_hdu.py

 import requests
 import re
 from headers_cookies import *
 import threadpool
 from searching_code import code_url_list
 import threading
 from searching_code import submit_code_from_url
 import time

 '''我要AK HDU'''

 def search_pid():
     problem_list = []
     '''共52页题目'''
     page_number = 2
     for i in range(page_number):
         '''请求url'''
         url = 'http://acm.hdu.edu.cn/listproblem.php?vol=' + str(i)
         response = requests.get(url, headers=get_headers(), cookies=get_cookie_from_chrome())
         '''抓取题目信息'''
         patternPidList = r'><script language="javascript">([\s\S]*?);</script>'
         problems = re.search(patternPidList, response.text).group(1).split(';')
         for problem in problems:
             pid = problem[4:8]
             status = problem[9]
             problem_list.append((int(pid), int(status)))

     return problem_list

 def start_crawling():
     pid_list = []
     '''最大并发数量，超过10就很影响别人'''
     THREAD_NUMBER = 2
     '''从搜索到的第crawl_level_begin页继续开始扒代码'''
     crawl_level_begin = 1
     '''分段式扒代码'''
     crawl_level = 4
     END_MARK = True
     while END_MARK:
         print("正在爬取题目信息……")
         for problem in search_pid():
             pid, status = problem
             # if pid < 3300:
             #     continue
             if status != 5:
                 '''多参数构造'''
                 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
             if len(pid_list) == THREAD_NUMBER:
                 '''定义线程池大小'''
                 task_pool = threadpool.ThreadPool(THREAD_NUMBER)
                 '''任务列表'''
                 request_task = []
                 '''构造任务列表'''
                 request_task = threadpool.makeRequests(submit_code_from_url, pid_list)
                 '''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'''
                 [task_pool.putRequest(req) for req in request_task]
                 '''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'''
                 task_pool.wait()

                 pid_list = []
         '''判断是否全对，全对结束'''
         END_MARK = False
         for status in search_pid()[1]:
             if status != 5:
                 END_MARK = True
                 '''增加搜索范围'''
                 crawl_level_begin = crawl_level
                 crawl_level += 4
                 break
         '''CSDN搜索最搜索到20页数据，而且部分是百度提供的结果'''
         if crawl_level > 20:
             break

 if __name__ == '__main__':
     start_crawling()

 2）线程开始跑了：分布式思想，分块，分层，完成AK任务

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

 # coding   :utf-8
 # @Time    : 2017/8/7 15:06
 # @Author  : Yong-life
 # @File    : searching_code.py

 from urllib import request
 import urllib
 from headers_cookies import get_headers
 import re
 import sqlite3
 from sqlite_hdu import Sql
 from submit_codes import *
 import threading
 from submit_codes import SubmitCode
 import sys

 def submit_code_from_url(pid, crawl_level_begin, crawl_level):
     '''爬取url_list，提交代码'''
     url_list = code_url_list(str(pid), crawl_level_begin, crawl_level)
     for url in url_list:
         '''仅爬取博客链接'''
         if url[7:11] != 'blog':  # 删选url
             continue
         code = crawling_code(pid, url)
         if code == '':
             '''未查找到代码'''
             continue
         submit = SubmitCode(pid, code.encode("utf-8"))
         if submit.submit_manager():
             '''AC,保存代码'''
             sql_save_code = Sql()
             if sql_save_code.query_pid(pid) is None:
                 sql_save_code.insert_msg(pid, 5, code)
             else:
                 sql_save_code.update_problem_code(pid, code)
             sql_save_code.sql_close()
             return

     print("爬取代码完毕，任务结束: " + str(pid) + "提交尚未成功！")
     return

 def code_url_list(problem_msg, crawl_level_begin, crawl_level):  # 题号和其他信息
     '''爬取题目链接'''
     url_list = []
     '''页码,根据爬虫等级，扩大搜索范围'''
     page_number = crawl_level_begin
     '''最大页码'''
     MAX_PAGE = crawl_level
     while page_number < MAX_PAGE:
         '''发送url请求'''
         url = 'http://so.csdn.net/so/search/s.do?p=' + str(page_number) + '&q=' + 'hdu' + request.quote(problem_msg)
         req = request.Request(url, headers=get_headers())
         try:
             respongse = request.urlopen(req).read().decode('utf-8')
         except urllib.error.HTTPError:
             continue
         '''爬取url链接'''
         pattern_problem_url = '<dt>[\S\s]*?<a href="(.*?)"'
         result_list = re.findall(pattern_problem_url, respongse)
         url_list.extend(result_list)

         print(problem_msg + ': ' + str(page_number) + '页已搜索完毕！')
         page_number += 1

     print('题目url列表爬取完毕!!!')
     return url_list

 def crawling_code(pid, code_url):
     '''爬代码'''
     req = request.Request(code_url, headers=get_headers())
     response = ''
     try:
         response = request.urlopen(req).read().decode('utf-8')
     except urllib.error.HTTPError as e:
         print(e)

     '''查找C，C++代码'''
     pattern_code_cpp = 'class="cpp">([\s\S]*?)</pre>'
     code = re.search(pattern_code_cpp, response)
     if code is not None:
         print(str(pid) + 'cpp, 已找到！')
         '''对代码中html元素进行处理'''
         code = ' + code.group(1)
         code = translate_code(code)
         return code

     '''查找JAVA代码'''
     pattern_code_java = 'class="java">([\s\S]*?)</pre>'
     code = re.search(pattern_code_java, response)
     if code is not None:
         print(str(pid) + 'java, 已找到！')
         code = ' + code.group(1)
         code = translate_code(code)
         return code
     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

 # coding   :utf-8
 # @Time    : 2017/8/7 19:08
 # @Author  : Yong-life
 # @File    : translate_code.py

 def translate_code(code):
     '''转化代码中的html元素'''
     code = code.replace('&lt;', '<')
     code = code.replace('&gt;', '>')
     code = code.replace('&quot;', '"')
     code = code.replace('&amp;', '&')
     code = code.replace('+', '+')
     code = code.replace(''', '\'')
     code = code.replace('&nbsp;', ' ')
     code = code.replace(' ', ' ')
     '''替换'''
     code = code.replace('</pre>', ' ')
     code = code.replace('</div>', ' ')
     code = code.replace('<pre>', ' ')
     code = code.replace('<div>', ' ')
     code = code.replace('</span>', ' ')

     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

 # coding   :utf-8
 # @Time    : 2017/8/7 15:00
 # @Author  : Yong-life
 # @File    : submit_codes.py

 import requests
 from sqlite_hdu import Sql
 from headers_cookies import *
 from translate_code import translate_code
 import re
 import time

 class SubmitCode():
     '''题目号，代码'''

     def __init__(self, pid, code):
         self.cu = Sql()
         self.pid = pid
         self.code = code

     def submit_manager(self):

         print("提交代码，休息3秒： " + str(self.pid))
         self.submit(self.pid, self.code)
         '''提交代码，休息3秒'''
         time.sleep(3)

         if self.query_result(self.pid):
             print("题号： " + str(self.pid) + "已AC")
             self.cu.sql_close()
             return True
         else:
             print("题号： " + str(self.pid) + "WA ，正在继续提交！")
         self.cu.sql_close()
         return False

     '''提交代码'''

     def submit(self, pid, code):
         url = 'http://acm.hdu.edu.cn/submit.php?action=submit'
         try:
             data = {
                 ',
                 'problemid': str(pid),
                 'language': code[0],
                 'usercode': code[1:]
             }
         except IndexError:
             print("empty code")
             return
         response = requests.post(url, data, headers=get_headers(), cookies=get_cookie_from_chrome())

     '''检查提交结果'''

     def query_result(self, pid):

         USER_NAME = self.get_user_name()
         '''请求url'''
         url = 'http://acm.hdu.edu.cn/status.php?first=&pid=' + str(pid) + '&user=' + USER_NAME + '&lang=0&status=0'
         response = requests.get(url, headers=get_headers(), cookies=get_cookie_from_chrome())

         '''检查结果'''
         pattern_query = r'<td><font color=red>(.*?)</font>'
         query_result = re.findall(pattern_query, response.text)
         if len(query_result) > 0:
             '''AC'''
             return True
         else:
             '''判断代码提交代码状态'''
             '''是否在判题中'''
             if response.text.find("Queuing") != -1 or response.text.find("Running") != -1 or response.text.find(
                     "Compiling") != -1:
                 '''等待判题中，暂不提交'''
                 print('等待判题')
                 time.sleep(1)
                 return self.query_result(pid)
             else:
                 '''代码WA'''
                 return False

     '''爬取账号名，账号名和昵称，只能用账号名查找结果'''

     def get_user_name(self):
         url = 'http://acm.hdu.edu.cn/'
         response = requests.get(url, headers=get_headers(), cookies=get_cookie_from_chrome()).text
         pattern_user_name = r'width:150px"><a href="/userstatus.php\?user=(.*?)"'
         user_name = re.search(pattern_user_name, response).group(1)

         return user_name

 5）将AC代码存入数据库，代表，以备100%AK 

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‘，’

 # coding   :utf-8
 # @Time    : 2017/8/7 15:42
 # @Author  : Yong-life
 # @File    : sqlite_hdu.py

 import sqlite3

 class Sql():
     def __init__(self):
         file_path = 'E:\python_workspace\crawling_hdu\sql_databases\hdu.db'
         self.con = sqlite3.connect(file_path, check_same_thread=False)  # 支持多线程访问
         self.cu = self.con.cursor()
         # self.cu.execute('DROP TABLE IF EXISTS problem')
         self.cu.execute("CREATE TABLE IF NOT EXISTS problem (pid INTEGER PRIMARY KEY , status INT, code TEXT)")

     def insert_msg(self, pid, status=0, code=''):
         '''插入信息'''
         value = (pid, status, code)
         self.cu.execute("INSERT INTO problem(pid, status, code) VALUES (?,?,?)", value)
         self.con.commit()

     def query_code(self, pid):
         '''查找代码'''
         self.cu.execute("SELECT code FROM problem WHERE pid=?", (pid,))  # why
         return self.cu.fetchone()[0]

     def query_pid(self, pid):
         '''检查代码是否已存库'''
         self.cu.execute("SELECT pid FROM problem WHERE pid=?", (pid,))  # why
         return self.cu.fetchone()

     def delete_problem_msg(self, pid):
         '''删除'''
         self.cu.execute("DELETE FROM problem WHERE pid=?", (pid,))  # why
         self.con.commit()

     def update_problem_code(self, pid, code):
         '''更新代码'''
         self.cu.execute("UPDATE problem SET code=? WHERE pid=?", (code, pid))
         self.con.commit()

     def sql_close(self):
         self.cu.close()
         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

 # coding   :utf-8
 # @Time    : 2017/7/30 16:42
 # @Author  : Jingxiao Fu
 # @File    : headers_cookies.py
 import random
 import os
 import subprocess
 import sqlite3
 import win32crypt
 import sys

 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
 Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0)
 Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)'''

 def get_headers():
     header = header_str.split('\n')
     header_length = len(header)
     headers = {'user-agent': header[random.randint(0, header_length - 1)]}
     return headers

 def get_cookie_use_hand():
     '''手动复制cookie'''
     cookie = "Cookie:exesubmitlang=0; PHPSESSID=uqfje2cajo7j3kicrn8d2fol25"

     cookie = cookie.replace('Cookie:', '')
     cookie = cookie.replace(' ', '')
     cookies = cookie.split(';')
     for i in range(len(cookies)):
         cookies[i] = cookies[i].replace('=', ':', 1)
     cookies_dict = {}
     for header in cookies:
         L = header.split(':', 1)
         cookies_dict[L[0]] = L[1]
     return cookies_dict

 '''从chrome浏览器获取cookie'''

 def get_cookie_from_chrome():
     host_url = 'acm.hdu.edu.cn'
     cookie_file_path = r"C:\Users\Garbos\AppData\Local\Google\Chrome\User Data\Default\Cookies"

     sql_query = "select host_key, name, encrypted_value ,value from cookies WHERE host_key='%s'" % host_url
     with sqlite3.connect(cookie_file_path) as con:
         cu = con.cursor()
         cu.execute(sql_query)
         cookies_sql = {name: win32crypt.CryptUnprotectData(encrypted_value)[1].decode() for
                        host_key, name, encrypted_value, value in cu.execute(sql_query).fetchall()}

     return cookies_sql

开始你的AK之旅吧！