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。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
# 简单的抓取HOJ主页的数据import
urllib.request
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。
|
1
2
3
4
5
|
# 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cookiecj =
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，
|
1
2
3
4
5
6
|
# 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。
|
1
|
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。
|
1
2
3
4
|
# 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：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
|
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)
# 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
|
1
2
3
|
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：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
|
import
urllib
import
http.cookiejar
#import timehashTable =
{ # 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)
# 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):
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。
|
1
2
3
4
5
6
|
# 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：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
|
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)
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]
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() |