`

python 爬某高校C++题库小程序

 
阅读更多

最近在学习C++,爬下一些题来,用于平时练手。

原理其实也很简单,就是生成页面链接,下载网页,提取内容,保存为xml。

用到正则表达式来匹配,minidom来生成xml文件。

(相关URL已更改,题库将上传到sae的网页)

 

#coding:utf8
# c++ exercises crawler by bosshida,2014.1.2
import urllib2
import re
import string
from xml.dom import minidom

# regex pattern for problem page
pNamePattern = re.compile("<h2.*?>(.*?)</h2>",re.S)
# regex pattern for problem description
pDescPattern = re.compile('<td.*?background="srcs/bg_mid.gif".*?>(.*?)</td>',re.S)
# regex pattern for input, output, sampleInput, sampleOutput
pPrePattern = re.compile("<pre.*?>(.*?)</pre>",re.S)

# generate problem set page url
def genProblemSetUrl(count):
    pSetUrl = "http://xxx.edu.cn:8080/JudgeOnline/problemset.jsp?vol=%d" % count
    #pSetUrl = "/Users/apple/Dropbox/pysrc/problem%d" % count
    #pSetUrl = pSetUrl + ".htm"
    return pSetUrl

# get next problem url by regex
def getAllProblemUrl(page):
    pUrls = re.findall('<a href="(problem.jsp\?id=\d+)">',page, re.S)
    return pUrls

# download page content
def loadPage(url):
    response = urllib2.urlopen(url)
    content = response.read()
    return content

# get problem name
def getProblemName(page):
    pNameMatch = pNamePattern.search(page)
    return pNameMatch.group(1) if pNameMatch!=None else None

# get problem Description
def getProblemDesc(page):
    pDescMatch = pDescPattern.search(page)
    return pDescMatch.group(1) if pDescMatch!=None else None

# get input content
def getInputContent(page):
    pInput = pPrePattern.findall(page)[0]
    return pInput 

# get output content
def getOutputContent(page):
    pOutput = pPrePattern.findall(page)[1]
    return pOutput

# get sample input
def getSampleInput(page):
    pSampleInput = pPrePattern.findall(page)[2]
    return pSampleInput

# get sample output
def getSampleOutput(page):
    pSampleOutput = pPrePattern.findall(page)[3]
    return pSampleOutput

# class for xml
class XmlGenerator:
    def __init__(self, xmlName):
        self.doc = minidom.Document()
        self.xmlName = xmlName
    
    def createNode(self, nodeName):
        return self.doc.createElement(nodeName)

    def addNode(self, node, prevNode = None):
        curNode = node
        if prevNode is not None:
            prevNode.appendChild(curNode)
        else:
            self.doc.appendChild(curNode)
        return curNode

    def setNodeAttr(self, node, attName, value):
        curNode = node
        curNoee.setAttribute(attName, value)

    def setNodeValue(self, curNode, value):
        nodeData = self.doc.createTextNode(value)
        curNode.appendChild(nodeData)

    def genXml(self):
        f = open(self.xmlName, "w")
        f.write(self.doc.toprettyxml(indent="\t", newl="\n", encoding="utf8"))
        f.close()

path = "D://test.xml"
xmlGen = XmlGenerator(path)
rootNode = xmlGen.createNode("root")
xmlGen.addNode(node=rootNode)

count = 0
while count < 6:
    pSetUrl = genProblemSetUrl(count+1)
    print pSetUrl
    html = loadPage(pSetUrl)
    for pageUrl in getAllProblemUrl(html):
        pageUrl = "http://xxx.edu.cn:8080/JudgeOnline/" + pageUrl
        print pageUrl
        pPage = loadPage(pageUrl)
        pPage_gbk = unicode(pPage, "gbk")
        pName = getProblemName(pPage_gbk)
        pDesc = getProblemDesc(pPage_gbk)
        pInput = getInputContent(pPage_gbk)
        pOutput = getOutputContent(pPage_gbk)
        pSampleInput = getSampleInput(pPage_gbk)
        pSampleOutput = getSampleOutput(pPage_gbk)
        problemNode = xmlGen.createNode("problem")
        
        pUrlNode = xmlGen.createNode("url")
        xmlGen.setNodeValue(pUrlNode, pageUrl)
        xmlGen.addNode(pUrlNode, problemNode)

        pNameNode = xmlGen.createNode("name")
        xmlGen.setNodeValue(pNameNode, pName)
        xmlGen.addNode(pNameNode, problemNode)

        pDescNode = xmlGen.createNode("desc")
        xmlGen.setNodeValue(pDescNode, pDesc)
        xmlGen.addNode(pDescNode, problemNode)

        pInputNode = xmlGen.createNode("input")
        xmlGen.setNodeValue(pInputNode, pInput)
        xmlGen.addNode(pInputNode, problemNode)

        pOutputNode = xmlGen.createNode("output")
        xmlGen.setNodeValue(pOutputNode, pOutput)
        xmlGen.addNode(pOutputNode, problemNode)

        pSInputNode = xmlGen.createNode("sampleInput")
        xmlGen.setNodeValue(pSInputNode, pSampleInput)
        xmlGen.addNode(pSInputNode, problemNode)

        pSOutputNode = xmlGen.createNode("sampleOutput")
        xmlGen.setNodeValue(pSOutputNode, pSampleOutput)
        xmlGen.addNode(pSOutputNode, problemNode)
        
        xmlGen.addNode(problemNode, rootNode)
        xmlGen.genXml()
    count += 1
print "finish"

 

 

分享到:
评论

相关推荐

    python计算机二级题库(附带答案)

    python计算机二级题库(附带答案)python计算机二级题库(附带答案)python计算机二级题库(附带答案)python计算机二级题库(附带答案)python计算机二级题库(附带答案)python计算机二级题库(附带答案)python...

    python把Word题库转成Excle题库.py

    资源名称:python把Word题库转成Excle题库.py 内容概要: python把Word题库转成Excle题库.py是一个Python脚本,旨在将Word格式的题库转换为Excel格式的题库。该脚本使用Python的docx和openpyxl库来读取和写入Word...

    从C++导出类到Python

    本教程将聚焦于如何从C++中导出类到Python,这样你就可以在Python环境中利用C++的强大性能和效率。这通常通过Python的C API或者第三方库如SWIG(Simplified Wrapper and Interface Generator)来实现。 **C++导出类...

    python+flask微信小程序订餐系统源码.zip

    python+flask微信小程序订餐系统源码 python+flask微信小程序订餐系统源码python+flask微信小程序订餐系统源码 python+flask微信小程序订餐系统源码python+flask微信小程序订餐系统源码 ...

    Python制作的高校教师资格考试 高校教资 “第三部分 综合”题库

    《Python在高校教师资格考试题库制作中的应用》 Python,一种强大且易学的编程语言,被广泛应用于教育和考试领域,特别是在制作题库方面展现出了其独特的优越性。本题库“高校教资 ‘第三部分 综合’题库”,就是...

    81个Python爬虫源代码

    81个Python爬虫源代码,内容包含新闻、视频、中介、招聘、图片资源等网站的爬虫资源

    基于C++和Python混合编程的WORD文档操作方法1

    3. **加载Python模块**:通过`PyImport_ImportModule()`函数,可以在C++程序中加载Python模块,这些模块可以包含处理Word文档的Python脚本。 4. **调用Python函数**:一旦模块加载成功,就可以使用`PyObject*`指针...

    C++调用PYthon脚本(例程)

    本资源“C++调用Python脚本(例程)”提供了一个完整的工程实例,演示了如何在C++程序中动态地调用Python脚本,使得C++能够利用Python的灵活性和便利性。 在C++中调用Python脚本主要有两种方法:一种是通过Python的...

    Python 3 安装 Microsoft Visual C++ Build Tools 问题

    在使用Python 3时,有时会遇到需要安装Microsoft Visual C++ Build Tools的情况,这通常是因为Python的一些扩展模块是用C或C++编写的,而这些语言的编译器是Visual C++ Build Tools提供的。本文将深入探讨Python 3...

    Python中调用C++dll例子

    在Python编程中,有时我们需要利用已有的C++库或者DLL(动态链接库)来扩展功能,这通常通过Python的`ctypes`模块实现。`ctypes`是Python的一个标准库,它允许我们直接调用C语言编译的动态链接库,从而实现了Python...

    python C++包装类

    2. **初始化Python解释器**:在C++程序启动时,需要初始化Python解释器,设置必要的环境,例如`Py_Initialize()`和`Py_Finalize()`。 3. **导入Python模块和对象**:使用C API中的函数,如`PyImport_ImportModule()...

    python调用C++函数

    总的来说,Python调用C++函数是提高Python程序性能的一种有效手段,它结合了Python的易用性和C++的高性能,实现了两者的最佳融合。通过学习和实践上述方法,开发者可以更好地利用这两种语言的优点,构建高效且易于...

    简单的python爬虫,代码完整

    Python是一种广泛应用于Web开发、数据分析、人工智能等多个领域的高级编程语言,其简洁明了的语法使得初学者也能快速上手。在IT行业中,Python爬虫是获取网络数据的重要工具,尤其对于数据挖掘、网站分析和自动化...

    Python期末试题题库完整.pdf

    Python语言基础知识点总结 Python是一种高级的、解释型的编程语言,它支持面向对象、命令式、函数式和过程式编程风格。Python语言的设计目标是提高开发者的生产力和代码的可读性。 1. Python基本语法 Python语言...

    (完整版)python考试复习题库.pdf

    一、 填空题 1、 Python安装扩展库常用的是_工具。...(sqrt) 3、 Python程序文件扩展名主要有__和两种,其中后者常用于GUI程序。(py、pyw) 4、 Python源代码程序编译后的文件扩展名为___。(pyc)

    python简答题复习题库1

    "Python 简答题复习题库 1" 本资源摘要信息涵盖了 Python 语言的多个方面,包括内存管理、运算符、模块导入、脚本程序、列表操作、逻辑运算符、字符串驻留机制、异常处理、pdb 调试模块等。 1. 简单解释 Python ...

    基于python爬虫的中国疫情数据可视化分析

    Python爬虫是一种自动化程序,用于从互联网上抓取大量数据。在这个项目中,我们将使用Python的requests库来发送HTTP请求,获取网页内容;BeautifulSoup库解析HTML或XML文档,提取所需的数据;以及可能用到的Selenium...

    Python程序设计练测题库.pdf

    根据提供的文件内容,可以整理出以下关于Python程序设计的相关知识点: 1. Python语言技术特点: - Python语言是一种解释型、高级、通用的脚本语言,具有良好的通用性,适用于多种程序设计相关应用的开发。 - ...

    Python制作的高校教师资格 高等教育学 题库

    这是一个Python源代码文件,很可能包含了用于生成和管理题库的程序。Python的pandas库可能是用于读取和处理Excel数据的,例如"高等教育学.xlsx"。这个Excel文件可能包含了题目的内容、选项、正确答案以及题目类型...

Global site tag (gtag.js) - Google Analytics