python 3.3.2 爬虫记录
网络上大部分关于python爬虫的介绍以及代码讲解，都用的是python2.7或以下版本，用python3.x版本的甚少。
在python3.3.2版本中，没有urllib2这个库，也没有cookiejar这个库。对应的库分别是http.cookiejar以及urllib这俩。
关于url以及python2.7爬虫写法的介绍，可以参考[Python]网络爬虫（一）：抓取网页的含义和URL基本构成这系列的文章。我这里主要介绍的是python3.3.2的urllib2的实现。
首先，下面是一个简单的抓取网页信息程序，主要是介绍下urllib的使用。
# 简单的抓取HOJ主页的数据
import urllib.request
response = urllib.request.urlopen('http://acm.hit.edu.cn')
html = response.read()
print(html)
# 注意，由于网页抓取下来的是bytes格式的数据，所以写入文件时需要以二进制的方式写入
fout = open('txt.txt','wb')
fout.write(html)
fout.close()
fout = open('html.html','wb') # 写入到文件html.html
fout.write(html)
fout.close()
运行结果应该是txt.txt,html.html两个文件。我们可以打开看看txt.txt、html.html看看，发现txt.txt的数据跟浏览器查看的网页源代码一致。如果用浏览器打开html.html，会发现这个跟我们实际上考看到的网页基本一样。
模拟HOJ登陆并抓取已经AC的代码
我们需要进行登陆，需要设置一个cookie处理器，它负责从服务器下载cookie到本地，并且在发送请求时带上本地的cookie。
# 设置一个cookie处理器，它负责从服务器下载cookie到本地，并且在发送请求时带上本地的cookie
cj = http.cookiejar.LWPCookieJar()
cookie_support = urllib.request.HTTPCookieProcessor(cj)
opener = urllib.request.build_opener(cookie_support, urllib.request.HTTPHandler)
urllib.request.install_opener(opener)
登陆时需要对HOJ服务器发送数据请求，对于发送data表单数据，我们怎么查看需要发送的数据？在HTTP中,这个经常使用熟知的POST请求发送。
我们可以先查看网页源代码，看到
看到三个name，所以发送的求情数据中需要包含这三个，
# 构造Post数据，从抓大的包里分析得出的或者通过查看网页源代码可以得到
data = {
'user' : user, # 你的用户名
'password' : password, # 你的密码，密码可能是明文传输也可能是密文，如果是密文需要调用相应的加密算法加密
'submit' : 'Login' # 特有数据，不同网站可能不同
}
另外，一般的HTML表单，data需要编码成标准形式。然后做为data参数传到Request对象。所以我们需要对data进行编码。
data = urllib.parse.urlencode(data).encode('utf-8')
发送请求，得到服务器给我们的响应，完成登录功能。header最好加上，不然由于内部信息默认显示为机器代理，可能被服务器403 Forbidden拒绝访问。
# 发送请求，得到服务器给我们的响应
response = urllib.request.Request(url, data,header)
# 通过urllib提供的request方法来向指定Url发送我们构造的数据，并完成登录过程
urllib.request.urlopen(response)
登录函数如下：
def login(): # 登陆函数
print('请输入你的账号')
user = input()
print('请输入你的密码')
password = input()
# 设置一个cookie处理器，它负责从服务器下载cookie到本地，并且在发送请求时带上本地的cookie
cj = http.cookiejar.LWPCookieJar()
cookie_support = urllib.request.HTTPCookieProcessor(cj)
opener = urllib.request.build_opener(cookie_support, urllib.request.HTTPHandler)
urllib.request.install_opener(opener)
url = 'http://acm.hit.edu.cn/hoj/system/login' # 登陆的界面
# 这个最好加上，不然由于内部信息默认显示为机器代理，可能被服务器403 Forbidden拒绝访问
header={'User-Agent':'Magic Browser'}
# 构造Post数据，从抓大的包里分析得出的或者通过查看网页源代码可以得到
data = {
'user' : user, # 你的用户名
'password' : password, # 你的密码，密码可能是明文传输也可能是密文，如果是密文需要调用相应的加密算法加密
'submit' : 'Login' # 特有数据，不同网站可能不同
}
data = urllib.parse.urlencode(data).encode('utf-8')
# 发送请求，得到服务器给我们的响应
response = urllib.request.Request(url, data,header)
# 通过urllib提供的request方法来向指定Url发送我们构造的数据，并完成登录过程
urllib.request.urlopen(response)
return
登录进去后，我们需要对已经AC的代码进行抓取。抓取的链接为：
http://acm.hit.edu.cn/hoj/problem/solution/?problem=题目编号
url = 'http://acm.hit.edu.cn/hoj/problem/solution/?problem='+str(i)
response = urllib.request.urlopen(url)
html = response.read()
我们可以把html输出看看具体内容是什么。
通过查看网页代码，发现提交的代码都是在<span></span>标签中。
因此我们可以对这部分数据进行处理，处理过程中我们可以用到python的正则表达式进行搜索。并且对于特殊的编码如<需要进行解码。
当然，我们需要注意保存的文件到底是java还是c++。
最后，详细的代码如下：
import urllib
import http.cookiejar
#import time
hashTable = { # 网页特殊编码转化
'<':'<',
'>': '>',
'{':'{',
'}':'}',
'(':'(',
')':')',
' ':' ',
'&':'&',
'[':'[',
']':']',
'"':'"'
}
def login(): # 登陆函数
print('请输入你的账号')
user = input()
print('请输入你的密码')
password = input()
# 设置一个cookie处理器，它负责从服务器下载cookie到本地，并且在发送请求时带上本地的cookie
cj = http.cookiejar.LWPCookieJar()
cookie_support = urllib.request.HTTPCookieProcessor(cj)
opener = urllib.request.build_opener(cookie_support, urllib.request.HTTPHandler)
urllib.request.install_opener(opener)
url = 'http://acm.hit.edu.cn/hoj/system/login' # 登陆的界面
# 这个最好加上，不然由于内部信息默认显示为机器代理，可能被服务器403 Forbidden拒绝访问
header={'User-Agent':'Magic Browser'}
# 构造Post数据，从抓大的包里分析得出的或者通过查看网页源代码可以得到
data = {
'user' : user, # 你的用户名
'password' : password, # 你的密码，密码可能是明文传输也可能是密文，如果是密文需要调用相应的加密算法加密
'submit' : 'Login' # 特有数据，不同网站可能不同
}
data = urllib.parse.urlencode(data).encode('utf-8')
# 发送请求，得到服务器给我们的响应
response = urllib.request.Request(url, data,header)
# 通过urllib提供的request方法来向指定Url发送我们构造的数据，并完成登录过程
urllib.request.urlopen(response)
return
def solve(html,i):
txt = html.decode('gbk','ignore')
start = txt.find('<span')
if start==-1: # 没有span，表示此题没AC
return
p = '.java'
if txt.find('import')==-1:
p = '.cpp'
fout = open('txt_'+str(i)+p,'w')
while True:
end = txt.find('<span',start+5)
if end==-1:
end = txt.find('</span>',start)
x = txt.find('>',start)+1
w = ''
ok = True
while x<end:
if txt[x]=='<':
ok = False
elif txt[x]=='>':
ok = True
if not ok or txt[x]=='>':
x += 1
continue
if txt[x]=='&': # 进行特殊的解码
t4 = txt[x:x+4]
t5 = txt[x:x+5]
t6 = txt[x:x+6]
if t4 in hashTable:
w += hashTable[t4]
x += 4
elif t5 in hashTable:
w += hashTable[t5]
x += 5
elif t6 in hashTable:
w += hashTable[t6]
x += 6
else:
w += txt[x]
x += 1
else:
w += txt[x]
x += 1
fout.write(w)
if end==start:
break
start = end
fout.close()
return
def run(): # 抓取所有AC代码
for i in range(1001,3169):
url = 'http://acm.hit.edu.cn/hoj/problem/solution/?problem='+str(i)
response = urllib.request.urlopen(url)
html = response.read()
solve(html,i)
#time.sleep(0.5) # 时间间隔为0.5s发送一次抓取请求，减轻hoj服务器压力
return
login()
run()
我所有的HOJ AC代码，在http://pan.baidu.com/s/1gdsX9DL
提交AC代码：
这个其实跟登陆并抓取AC代码原理基本一样。
# 构造Post数据，从网页数据分析得出
data = {
'Proid' : num,
'Language' : language,
'Source' : txt # 可以通过查看网页源代码看出
}
另外，我们需要用到listdir()函数，以此来获得当前目录下所有的文件。
这里我们需要设置time.sleep(3) ，间隔三秒递交一次代码，减轻服务器压力，以免使得HOJ服务器崩了。
总的代码如下：
import urllib
import http.cookiejar
import time
from os import listdir
def login():
print('请输入你的账号')
user = input()
print('请输入你的密码')
password = input()
cj = http.cookiejar.LWPCookieJar()
cookie_support = urllib.request.HTTPCookieProcessor(cj)
opener = urllib.request.build_opener(cookie_support, urllib.request.HTTPHandler)
urllib.request.install_opener(opener)
url = 'http://acm.hit.edu.cn/hoj/system/login'
header = {'User-Agent' : 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:14.0) Gecko/20100101 Firefox/14.0.1',
'Referer' : '******'}
# 构造Post数据，他也是从抓大的包里分析得出的。
data = {'op' : 'dmlogin',
'f' : 'st',
'user' : user, # 用户名
'password' : password, # 密码，密码可能是明文传输也可能是密文，如果是密文需要调用相应的加密算法加密
'submit' : 'Login' # 特有数据，不同网站可能不同
}
data = urllib.parse.urlencode(data).encode('utf-8')
request = urllib.request.Request(url, data,header)
# 通过urllib2提供的request方法来向指定Url发送我们构造的数据，并完成登录过程
urllib.request.urlopen(request)
return
def solve(file): # file：为文件名，格式是 txt_problemNumber.cpp或者 txt_problemNumber.java
ed = file.find('.')
language = file[ed+1:len(file)]
if language!='cpp' and language!='java':
return
if language=='cpp':
language = 'C++'
else:
language = 'Java'
st = file.find('_')
num = file[st+1:ed]
url = 'http://acm.hit.edu.cn/hoj/problem/submit/?id='+num
header = {'User-Agent' : 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:14.0) Gecko/20100101 Firefox/14.0.1',
'Referer' : '******'}
fin = open(file,'rb')
txt = fin.read().decode('gbk','ignore')
fin.close()
# 构造Post数据，从网页数据分析得出
data = {
'Proid' : num,
'Language' : language,
'Source' : txt # 可以通过查看网页源代码看出
}
data = urllib.parse.urlencode(data).encode('utf-8') # 使用UTF-8编码方式进行编码
request = urllib.request.Request(url, data,header) # 添加消息头
# 通过urllib2提供的request方法来向指定Url发送我们构造的数据，并完成登录过程
urllib.request.urlopen(request)
time.sleep(3) # 间隔三秒递交一次代码，减轻服务器压力
return
def run():
allFile = listdir() # 获得当前目录下所有的文件
for file in allFile:
solve(file)
return
login()
run()
codeforces爬AC代码（有些网页格式不太一样，最后直接把那些题目忽略了，囧）（CF python代码尚未正确，有待改进。。。）
import urllib
user = 'yejinru' # 用户
page = 21 # 提交的页数
def solve(html,name):
txt = html.decode('utf-8','ignore')
cpp = '.cpp'
start = txt.find('include')-1
if start==-2:
start = txt.find('public static void Main')
if start==-1:
cpp = '.py'
else:
cpp = '.java'
end = txt.find('</pre>',start+100)
fout = open('cf/'+name+cpp,'wb')
pro = txt[start:end]
pro = pro.replace(u'<',u'<')
pro = pro.replace(u'>',u'>')
pro = pro.replace(u'"',u'"')
pro = pro.replace(u'&',u'&')
fout.write(pro.encode('gbk','ignore'))
fout.close()
return
def fun(html):
txt = html.decode('utf-8','ignore')
pre = 0
while True:
cur = txt.find('<span class=\'verdict-accepted\'>',pre)
if cur==-1:
return
pre = cur+100
p = txt.find( '"',txt.find('submissionId="',cur-50) )+1
pid = ''
while txt[p]!='"':
pid += txt[p]
p += 1
p = txt.find('data-problemId="',cur-300)
if p==-1:
return
p = txt.find('>',txt.find('<a href="/',p))+19
if p==18:
return
tid = ''
while txt[p]>='0' and txt[p]<='9':
tid += txt[p]
p += 1
if len(tid)>3:
continue
url = 'http://codeforces.com/contest/'+tid+'/submission/'+pid
print(url)
response = urllib.request.urlopen(url)
html = response.read()
solve(html,tid+txt[p])
fout = open('cf/'+pid+'.html','wb')
fout.write(html)
fout.close()
return
def run():
add = '/page/'
first = 'http://codeforces.com/submissions/'+user
for i in range(1,page+1): # 这是因为http://codeforces.com/submissions/yejinru这里只有21页
url = ''
if i==1:
url = first
else:
url = first+add+str(i)
response = urllib.request.urlopen(url)
html = response.read()
fun(html)
return
run()
