Python编写网页爬虫爬取oj上的代码信息

OJ升级,代码可能会丢失.所以要事先备份.一開始傻傻的复制粘贴,后来实在不能忍,得益于大潇的启示和聪神的原始代码,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版本号,试了一下改动到3.0版本号,要做非常多包的更替,感觉比較烦,所以索性就在这个2.7版本号上完好了.

首先欣赏一下原始代码,我给加了一些凝视:

#-*-coding:cp936-*-

importurllib2
importurllib
importre
importthread
importtime
importcookielib

cookie_support=urllib2.HTTPCookieProcessor(cookielib.CookieJar())
opener=urllib2.build_opener(cookie_support,urllib2.HTTPHandler)
urllib2.install_opener(opener)

#以下是正則表達式部分,意在过滤爬取页面的标签信息
classTool:
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=')
defreplace_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)
returnx

classHTML_Model:
def__init__(self,u,p):
self.userName=u#username与password等登入信息
self.passWord=p
self.mytool=Tool()
self.page=1#从代码页的第一页開始爬
self.postdata=urllib.urlencode({
'userName':self.userName,
'password':self.passWord
})
defGetPage(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
)

#此次对应为打开这个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
whileflag:

#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()

#正則表達式搜索是否还有下一页,更新flag.原理为在当前页查找,假设当前页面有提交的代码,则含有相似"<ahref="/acmhome/solutionCode.do?id=4af76cc2459a0dd30145eb3dd1671dc5"target="_blank">G++</a>"这种标签.也就是说假设我的代码仅仅有84页,那么则在第85页flag-false,不再訪问86页
st="\<a\href\=.*?G\+\+"
next=re.search(st,myPage)
#print(st)
print(next)
ifnext:
flag=True
print("True")
else:
flag=False
print("False")
#print(myPage)

#找到当前页面下全部题目代码的连接,放在myItem这个list中
myItem=re.findall(r'<ahref=\"/acmhome/solutionCode\.do\?id\=.*?\"\',myPage,re.S)
foriteminmyItem:
#print(item)

#对于每一个题目代码连接,訪问其所在页面
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>.*?TimesNewRoman\"\>.*?\</font\>',myPage,re.S)
#print(mytem)
sName=re.findall(r'源码--.*?</strong',myPage,re.S)
#sName=sName[2:len(sName)]
forsnameinsName:
print(sname[2:len(sname)-8])

#sname中包括了题号信息
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中
f.write(self.mytool.replace_char(mytem[0]))
f.close()
print('done!')
self.page=self.page+1

printu'plzinputthename'
u=raw_input()
printu'plzinputpassword'
p=raw_input()
#u="B08020129"
#p=*******"
myModel=HTML_Model(u,p)
myModel.GetPage()

如今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括跨度多行的标签,纯代码仍然须要人工提取.

第二,由于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称.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相应.

针对第一个问题,修正的方法比較简单:

在正則表達式匹配的时候,将第二个參数位置加上re.DOTALL就可以.

比如:

J=re.compile(r'语言.*?face=',re.DOTALL)

对于第二个问题,能够依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,我发现仅仅有标题是用<strong><\strong>标签修饰的,所以能够这样匹配

sName2=re.findall(r'<strong>([^<]+)</strong>',myPage2,re.S)

另外文件命名的时候不能够有空格,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,可是又一次运行一次可能就会不再出现故障.

以下是晚上后的代码,改动的地方加粗了.

#-*-coding:cp936-*-

importurllib2
importurllib
importre
importthread
importtime
importcookielib

cookie_support=urllib2.HTTPCookieProcessor(cookielib.CookieJar())
opener=urllib2.build_opener(cookie_support,urllib2.HTTPHandler)
urllib2.install_opener(opener)

classTool:
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)
defreplace_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)
returnx

classHTML_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
})
defGetPage(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
whileflag:
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)
ifnext:
flag=True
print("True")
else:
flag=False
print("False")
#print(myPage)
myItem=re.findall(r'<ahref=\"/acmhome/solutionCode\.do\?id\=.*?\"\',myPage,re.S)
foriteminmyItem:
#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>.*?TimesNewRoman\"\>.*?\</font\>',myPage,re.S)
#print(mytem)
sName=re.findall(r'源码--.*?</strong',myPage,re.S)
#sName=sName[2:len(sName)]

forsnameinsName:
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

#printu'plzinputthename'
#u=raw_input()
#printu'plzinputpassword'
#p=raw_input()
u="LTianchao"
p="******"
myModel=HTML_Model(u,p)
myModel.GetPage()

关于Python的网页爬取问题,这仅仅是一个非常easy的demo,以下还须要深入学习.(假设有时间的话)