C#利用POST实现杭电oj的AC自动机器人，AC率高达50%~~

2021-12-30 15:07:47

暑假集训虽然很快乐，偶尔也会比较枯燥，，这个时候就需要自娱自乐...

然后看hdu的排行榜发现，除了一些是虚拟测评机的账号以外，有几个都是AC自动机器人

然后发现有一位作者是用网页填表然后按钮模拟，，，默默噗噗的笑了。。。

先来晒一下排行榜

要模拟网页，，当然POST大法好啊，直接模拟发送POST数据不就好了咩，，搞填表啥的多麻烦，完全可以写一个程序后台自动跑。

然后他说了一句AC率能达到50%以上的爬虫也是挺吊的，，于是激起了我试一试的决心（我是不是很wuliao）...

先解释一下POST大法是啥。。。。

貌似研究POST的话，，弄易语言的可能研究的会比较多，很多人会利用POST来实现注册机，采集机，发贴机等等，，这里面的利益关系也是很深的

但是易语言弄POST也会遇到一些局限，，毕竟是语言的局限，再怎样也无法跟C#大法来比较，虽说C#用来弄单纯的POST略有浪费。。。

网页与网页服务器是利用http协议传输数据，包括两种，一种是GET一种是POST

模拟浏览器的点击啥的，，其实最终的目的是让浏览器解析网页，然后发送对应的数据包反馈给服务器

然而我们为什么不直接发送对应的数据包给服务器呢？这样就不关浏览器的事情了，也增加了程序的鲁棒性

对于整个程序总体的思路是这样的：

1.首先在百度上搜索对应的题号，然后采集百度上来自csdn的链接

2.对之前采集的链接利用类直接获取网页源码，从中解析code部分

3.最重要的一个剪枝，获取这个网页中<title>和</title>中的内容，从里面查找是否含有题号！！通过这个剪枝，整个AC率可以上升N倍~

4.认证code部分中是否含有"#include"这个内容，，这样可以防止code边框中可能是其他内容而不是代码

5.去杭电提交代码，如果通过了就下一题，不通过继续在之前解析的csdn中找代码

然后我们来一条一条的分析。。

首先放一个我自己写好的类，里面封装了最基础的http类和一些常用的函数(其实http类和Regex类只是把C#中的WebRequest类和Regex类简化了一下，，这样写起来更方便，然后稍微增加了几个常用到的文本处理的静态函数，以方便调用 )

[csharp] view
plain copy

print ?

/*Exyao_http.cs*/
using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.Net;
using System.IO;
using System.Diagnostics;
using System.Text.RegularExpressions;
namespace Exyao {
class Exyao_http {
public CookieContainer cookie = new CookieContainer();
public string encode;
public HttpWebResponse response;
public Exyao_http(string _Encoding) {
encode = _Encoding;
}
public string GET(string url) {
HttpWebRequest http = (HttpWebRequest)WebRequest.Create(url);
http.Method = "GET";
http.CookieContainer = cookie;
HttpWebResponse res = (HttpWebResponse)http.GetResponse();
response = res;
Stream s = res.GetResponseStream();
StreamReader rs = new StreamReader(s, Encoding.GetEncoding(encode));
string ret = rs.ReadToEnd();
rs.Close();
s.Close();
return ret;
}
public string POST(string url, string data = "") {
HttpWebRequest http = (HttpWebRequest)WebRequest.Create(url);
http.CookieContainer = cookie;
http.Method = "POST";
http.ContentType = "application/x-www-form-urlencoded";
Stream sd = http.GetRequestStream();
StreamWriter sw = new StreamWriter(sd);
sw.Write(data);
sw.Close();
HttpWebResponse res = (HttpWebResponse)http.GetResponse();
response = res;
Stream s = res.GetResponseStream();
StreamReader rs = new StreamReader(s, Encoding.GetEncoding(encode));
string ret = rs.ReadToEnd();
rs.Close();
s.Close();
return ret;
}
public void deal_cookie() {
string[] h = response.Headers.GetValues("Set-Cookie");
if (h == null) return;
foreach (string c in h) {
cookie.SetCookies(response.ResponseUri, c);
}
}
}
class Exyao_Regex {
private Regex r;
private Match ret_;
private bool is_all;
private MatchCollection ret;
public Exyao_Regex(string s) {
r = new Regex(s);
}
public bool match(string s, bool all = false, int start = 0) {
is_all = all;
if (all) {
ret = r.Matches(s, start);
return ret.Count != 0;
}
else {
ret_ = r.Match(s, start);
return ret_.Success;
}
}
public int getn() {
return ret.Count;
}
public string get_text(int id = 0) {
if (is_all) {
return ret[id].Value;
}
else {
return ret_.Value;
}
}
public string get_subtext(int i = 0, int j = 0) {
if (is_all) {
GroupCollection g = ret[i].Groups;
return g[j + 1].Value;
}
else {
GroupCollection g = ret_.Groups;
return g[j + 1].Value;
}
}
}
class F {
public static string urlencode_utf8(string s) {
byte[] bs = Encoding.GetEncoding("utf-8").GetBytes(s);
int len = bs.Length;
string ret = "";
for (int i = 0; i < len; i++) {
int c = bs[i];
c = c < 0 ? 256 + c : c;
if (c < 42 || c == 43 || c > 57 && c < 64 || c > 90 && c < 95 || c == 96 || c > 122) {
ret += "%" + c.ToString("x2");
}
else {
ret += (char)c;
}
}
return ret;
}
public static string urlencode_gb2312(string url) {
byte[] bs = Encoding.GetEncoding("gb2312").GetBytes(url);
int len = bs.Length;
string ret = "";
for (int i = 0; i < len; i++) {
int c = bs[i];
c = c < 0 ? 256 + c : c;
if (c < 42 || c == 43 || c > 57 && c < 64 || c > 90 && c < 95 || c == 96 || c > 122) {
ret += "%" + c.ToString("x2");
}
else {
ret += (char)c;
}
}
return ret;
}
public static bool instr(string a, string b) {
if (a.IndexOf(b) >= 0) return true;
return false;
}
public static string substr(string s, string l, string r, int begin = 0) {
int lp, rp;
lp = s.IndexOf(l, begin);
if (lp < 0) return "";
rp = s.IndexOf(r, lp + l.Length);
if (rp < 0) return "";
return s.Substring(lp + l.Length, rp - lp - l.Length);
}
public static string readfile(string file, string encode = "gb2312") {
FileStream fs = new FileStream(file, FileMode.Open);
StreamReader sr = new StreamReader(fs, Encoding.GetEncoding(encode));
string ret = sr.ReadToEnd();
sr.Close();
fs.Close();
return ret;
}
public static void writefile(string file, string content = "", string encode = "gb2312") {
FileStream fs = new FileStream(file, FileMode.OpenOrCreate);
StreamWriter sw = new StreamWriter(fs, Encoding.GetEncoding(encode));
sw.Write(content);
sw.Close();
fs.Close();
}
public static string gb2312_to_utf8(string s) {
Encoding gb2312 = Encoding.GetEncoding("gb2312");
Encoding utf8 = Encoding.GetEncoding("utf-8");
byte[] w = gb2312.GetBytes(s);
w = Encoding.Convert(gb2312, utf8, w);
return utf8.GetString(w);
}
public static string utf8_to_gb2312(string s) {
Encoding gb2312 = Encoding.GetEncoding("gb2312");
Encoding utf8 = Encoding.GetEncoding("utf-8");
byte[] w = utf8.GetBytes(s);
w = Encoding.Convert(utf8, gb2312, w);
return gb2312.GetString(w);
}
}
}

我们先来尝试一下利用http协议直接获取百度的内容

用Google浏览器按F12点Network就可以开始录制封包

一般最重要的那一条里面都会带有很重要的参数，要么Method就是POST类型，要么就是GET中带上了很重要的参数

很明显，这里面第一条地址中带了我们搜索的内容，地址是

[html] view
plain copy

print ?

http://www.baidu.com/s?wd=hdu1000&rsv_spt=1&issp=1&f=8&rsv_bp=1&rsv_idx=2&ie=utf-8&tn=02049043_14_pg&rsv_enter=0&oq=hdu1000&rsv_t=f307M1pw6K7opc%2Fa5gyHuAJnjgYujheimT04UNMEmJrUz%2BBAo6%2B64AxFVh4WEuKUzFNKx2Q&rsv_pq=f83db5cf0000629e

我们可以稍微简化一下，其实可以就写成http://www.baidu.com/s?wd=hdu1000

这样我们就获得了地址，然后我们可以查看一下这个网页的源码

然后会得到html源码，找到大概的位置

一般html代码都是通过循环去生成的，所以每个块的代码基本都是类似的

我们只需要掌握这种代码格式就可以了

平时我们点击百度的地址就知道，，一般的链接刚开始使用的都是百度的短地址，然后会跳转，所以我们要采集那些短地址

把鼠标放到链接上，浏览器会显示出链接的地址，发现是以www.baidu.com/link开头的，于是我们在源码中搜索这一句

目标已经很明确了，就是要把他们取出来。。如果在acm里，，看似需要非常繁琐的文本处理，，

然而这是工程嘛，，用正则表达式效率已经高的惊人了。所以我们可以利用正则表达式写出匹配

因为我这下面这份函数是从以前写的，，当时就直接复制了，好像当时发现里面可能有可能引号是单引号的原因，所以写了两个正则去匹配

[csharp] view
plain copy

print ?

public static string[] baidu(string content) {
Exyao_http http = new Exyao_http("utf-8");
string html = http.GET("http://www.baidu.com/s?wd=" + F.urlencode_utf8(content) + "&ct=2097152&pn=0");
Exyao_Regex reg = new Exyao_Regex("data-tools=\"\\{title:'(.*?)',url:'(.*?)'\\}\"");
reg.match(html, true);
List<string> ret = new List<string>();
for (int i = 0; i < reg.getn(); i++) {
ret.Add(reg.get_subtext(i, 1));
}
reg = new Exyao_Regex("data-tools='\\{\"title\":\"(.*?)\",\"url\":\"(.*?)\"\\}");
reg.match(html, true);
for (int i = 0; i < reg.getn(); i++) {
ret.Add(reg.get_subtext(i, 1));
}
return ret.ToArray();
}

另外讲一下几个关于网页表单很重要的编码。。。

一个是url编码，因为如果要传送的数据中包含一些符号，可能会对原本的文本的分隔符产生冲突，比如& / =等一些用于地址的符号，所以需要把这些符号转义

网页中都是利用url编码进行转义的，在之前发的类中我已封装好了函数。。

然后一个问题就是网页的编码，分gb2312和utf-8两种

gb2312是中文编码，utf-8是一种更普遍的面向更多语言的编码，两种编码在字母的ASCII码上，是一样的

但是在中文汉字上，gb2312是占2个字节，但是utf-8是占3个字节，这也会导致两种编码下的内容url编码之后会不一样

对于网页一般在源码中都会表明清楚采用的是什么源码。是什么源码你数据包就应该使用哪种源码

我的那个http类处理了一下网页编码，只要刚开始在初始化的时候填好编码，，之后返回出来的内容都会自动转码，但是提交表单的时候还是需要按照指定的编码去url编码

现在，，我们来考虑如何从csdn的博客中采集代码

就以hdu1000的第一个地址为基础，我们来查看它的网页源码

我们可以发现，，标题肯定是在<title>里面啊，，我们需要先采集一次标题，，然后看我们的题号是否在这个标题中。如果不在，那这篇文章肯定就不是正确代码啊，，

acmer写题解当然会把题号写在标题中~~

再看代码可以发现，代码框里面的内容都在<pre>这个标签里面，，所以我们就可以采集整个网页中出现的<pre>标签里面的内容

然后在这个内容里面寻找是否有"#include"，如果有，说明这个里面的代码就可能是答案了咯

[csharp] view
plain copy

print ?

public static string getcode(string url, string id = "") {
Exyao_http http = new Exyao_http("utf-8");//csdn都是utf-8编码
Exyao_Regex zz = new Exyao_Regex("<pre.*?>([\\s\\S]*?)<\\/pre>");//正则表达式匹配所有的pre标签
string html = http.GET(url);
url = http.response.ResponseUri.ToString();
if (!F.intext(url, "/article/details/")) return "";//如果网页的地址没有包括这个，说明不是博客的文章页面
string title = F.substr(html, "<title>", "</title>");//获取标题
if (!F.intext(title, id)) return "";//如果标题中没有题号
if (!F.intext(title, "hdu") && !F.intext(title, "HDU")) return "";//防止标题是其他oj的对应题号
zz.match(html, true);//正则匹配全部的pre标签
for (int i = 0; i < zz.getn(); i++) {
string code = zz.get_subtext(i, 0);
if (!F.intext(code, "#include")) continue;
code = code.Replace("<", "<");//下面全部都是转义一些符号
code = code.Replace(">", ">");
code = code.Replace(""", "\"");
code = code.Replace("&", "&");
code = code.Replace(" ", " ");
Exyao_Regex reg = new Exyao_Regex("&#(.*?);");//这个也是为了转义符号
reg.match(code, true);
for (int j = 0; j < reg.getn(); j++) {
string p = "";
p += (char)(int.Parse(reg.get_subtext(j, 0)));
code = code.Replace(reg.get_text(j), p);
}
//有的acmer喜欢在代码前面说一些感慨，所以代码要从第一个#include的位置开始，这样可以防止一些RE
return code.Substring(code.IndexOf("#include"));
}
return "";//找不到code
}