首页 > 代码库 > OnlineJudge 离线题库采集

OnlineJudge 离线题库采集

2024-11-10 18:38:02   204人阅读

    过段时间要把以前的OJ换掉，我负责VirtualJudge的部分。需要用C与PHP写一个Linux下的VJudge。

    在此之前，将以前写给自己学弟学妹用的OJ离线题库的采集程序改进了一下。支持国内一些知名高校的OJ，为之后VJudge的开发练练手，熟悉下各个OJ的结构，免去以后再在LINUX上进行一些繁琐的测试。

    题目的采集没有使用任何OJ的API，直接采取从HTML页面采集数据并处理的方式。下载HTTP文件使用的是WinINet函数集，用起来比CURL还方便。正则表达式使用的ATL库里的regex。题目的储存使用的文件进行储存。别看一个OJ就有几千道题，文件结构访问的速度却是相当地快。因为抓取出来的题目有大量的HTML标签，先要全部去掉非常地困难（一些题目有不同的格式与链接标签，甚至有一些题目是关于标记语言的题目）。因为我现在做的是离线的题库，于是将这些标签保留写来，利用HTML的方式显示我采集的题目。


    目前做了六个OJ：

    1、bnu（北京师范大学OJ）:这个OJ我觉得是国内用户体验做得最好的一个OJ，自己OJ的题目很丰富（含有较多不错的中文），VOJ的功能也完美地融合在自己的OJ中。

    2、hdu（杭州电子科技大学OJ）:拥有国内最强判题机群，国内各大算法竞赛都选在杭电OJ举行。

    3、neu（成都东软学院OJ）:很多人可能都不知道这OJ，也是国内少数登录需要验证码的奇葩OJ，以至于VOJ想支持它都困难，简单题爆多，欢迎来撸。我母校嘛，必须有，虽然我亚洲区牌都没拿到个，学校最高也就个铜。补习班性质的比赛嘛，二本学校的学生都不想把耍的时间花在觉得苦逼的事情上，我能拿着塑料坚持那么久也是NB了。该OJ即将在今年更换新的系统，判题内核、数据管理、界面、以及VOJ都由我们的老成员完成。希望以后学校的骚年能取得好成绩--wchrt。

    4、poj（北京大学OJ）:搞ICPC的骚年都知道，国内最为知名的OJ之一。

    5、vijos（高效信息学在线评测系OJ）:里面全是中文题哦，小心有大量的小学生，分分钟虐爆你的小学生。

    6、zoj（浙江大学OJ）:国内起步最早的OJ之一，但我基本没怎么用过这个OJ。


    下面根据各oj分别列出了获取题目内容与标题的正则表达式：

        ojnum=0;
	cbox->AddString("bnu");
	ojurl[ojnum]="http://www.bnuoj.com/bnuoj/problem_show.php?pid=";
	ojgetstr[ojnum].allcontent="{<div id=\"showproblem\">(.|\n)*?<div id=\"one_content_base\">}";
	ojgetstr[ojnum].title="<div id=\"showproblem\.*?<h1.*?>{.*?}</h1>";
	ojgetstr[ojnum].iscode=true;
	ojgetstr[ojnum].getnum=-1;
	ojgetstr[ojnum].pnostart=1000;
	ojnum++;

	cbox->AddString("hdu");
	ojurl[ojnum]="http://acm.hdu.edu.cn/showproblem.php?pid=";
	ojgetstr[ojnum].allcontent="{<h1(.|\n)*?Note</a>}";
	ojgetstr[ojnum].title="<h1.*?>{.*?}</h1>";
	ojgetstr[ojnum].iscode=false;
	ojgetstr[ojnum].getnum=-1;
	ojgetstr[ojnum].pnostart=1000;
	ojnum++;

	cbox->AddString("neu");
	ojurl[ojnum]="http://acm.nsu.edu.cn/JudgeOnline/problem.php?id=";
	ojgetstr[ojnum].allcontent="{<div id=main(.|\n)*?Sample Output(.|\n)*?BBS(.|\n)*?</a>}";
	ojgetstr[ojnum].title="<title.*?>{.*?}</title>";
	//目前不需要把内容信息分开，就不正则详细的题目内容
	/*ojgetstr[ojnum].tim="Time Limit:{.*?}&nbsp";
	ojgetstr[ojnum].mem="Memory Limit:{.*?}<br>";
	ojgetstr[ojnum].des=">Description</h2>.*?<div.*?>{.*?}</div>";
	ojgetstr[ojnum].input=">Input</h2>.*?<div.*?>{.*?</div>.*?}</div>";
	ojgetstr[ojnum].output=">Output</h2>.*?<div.*?>{.*?}</div>";
	ojgetstr[ojnum].sinput=">Sample Input</h2>.*?{<pre>(.|\n)*?</pre>}";
	ojgetstr[ojnum].soutput=">Sample Output</h2>.*?{<pre>(.|\n)*?</pre>}";*/
	ojgetstr[ojnum].iscode=true;
	ojgetstr[ojnum].getnum=-1;
	ojgetstr[ojnum].pnostart=1000;
	ojnum++;

	cbox->AddString("poj");
	ojurl[ojnum]="http://poj.org/problem?id=";
	ojgetstr[ojnum].allcontent="{<div class=\"ptt\"(.|\n)*?Discuss</a>}";
	ojgetstr[ojnum].title="<div class=\"ptt\".*?>{.*?}</div>";
	ojgetstr[ojnum].iscode=true;
	ojgetstr[ojnum].getnum=49;//poj最多只允许短时间访问49道题
	ojgetstr[ojnum].pnostart=1000;
	ojnum++;

	cbox->AddString("vijos");
	ojurl[ojnum]="https://vijos.org/p/";
	ojgetstr[ojnum].allcontent="{<div class=\"pcontent\">(.|\n)*}<h4";
	ojgetstr[ojnum].title="<div class=\"content\">.*?</span>{.*?}<div";
	ojgetstr[ojnum].iscode=true;
	ojgetstr[ojnum].getnum=-1;
	ojgetstr[ojnum].pnostart=1000;
	ojnum++;

	cbox->AddString("zoj");
	ojurl[ojnum]="http://acm.zju.edu.cn/onlinejudge/showProblem.do?problemCode=";
	ojgetstr[ojnum].allcontent="{<div id=\"content_body\">(.|\n)*</div>}";
	ojgetstr[ojnum].title="<div id=\"content_body\">.*?>.*?>{.*?}</span>";
	ojgetstr[ojnum].iscode=false;
	ojgetstr[ojnum].getnum=-1;
	ojgetstr[ojnum].pnostart=1000;
	ojnum++;


因为不同的OJ网站所使用的编码格式不同，我使用的是ansi，所以要把一些使用utf-8的网页转换为ansi，下面是转换的代码：

static void  UTF8toANSI(CString &strUTF8)
{
	UINT nLen = MultiByteToWideChar(CP_UTF8,NULL,strUTF8,-1,NULL,NULL);
	WCHAR *wszBuffer = new WCHAR[nLen+1];
	nLen = MultiByteToWideChar(CP_UTF8,NULL,strUTF8,-1,wszBuffer,nLen);
	wszBuffer[nLen] = 0;
	nLen = WideCharToMultiByte(936,NULL,wszBuffer,-1,NULL,NULL,NULL,NULL);
	CHAR *szBuffer = new CHAR[nLen+1];
	nLen = WideCharToMultiByte(936,NULL,wszBuffer,-1,szBuffer,nLen,NULL,NULL);
	szBuffer[nLen] = 0;

	strUTF8 = szBuffer;
	delete []szBuffer;
	delete []wszBuffer;
}


    使用WinINet函数集的CInternetSession与CHttpFile下载HTTP文件，那hdu作为例子

hdu的1001题的地址是："http://acm.hdu.edu.cn/showproblem.php?pid=1001"

这里的http://acm.hdu.edu.cn/showproblem.php是hdu的题目PHP文件，我们需要以GET的方式请求pid=1001的数据。对于hdu的其他题目，我们只需把pid的值设置成其他的值即可。

技术分享


        //获取GET方式获取题目的HTML页面
        CInternetSession intsess;
	CHttpFile *phtfile = NULL;
	phtfile = (CHttpFile *)intsess.OpenURL(url);
	UINT nfilelen = (UINT) phtfile->GetLength();
	CString strhtml;
	CString buffer;
	UINT dw=0;
	while(dw<nfilelen)//将数据转入strhtml处理
	{
		dw+=phtfile->ReadString(buffer);
		strhtml+=buffer;
		dw++;
	}
	
	//使用正则表达式提取数需要的内容
	data->all=strhtml;
	getcontent(ojgetstr->allcontent,strhtml,data->allcontent);//去除题目页面的多与信息
	getcontent(ojgetstr->title,strhtml,data->title);
	/*getcontent(ojgetstr->tim,strhtml,data->tim);
	getcontent(ojgetstr->mem,strhtml,data->mem);
	getcontent(ojgetstr->des,strhtml,data->des);
	getcontent(ojgetstr->input,strhtml,data->input);
	getcontent(ojgetstr->output,strhtml,data->output);
	getcontent(ojgetstr->sinput,strhtml,data->sinput);
	getcontent(ojgetstr->soutput,strhtml,data->soutput);*/

	if(ojgetstr->iscode)
	{
		UTF8toANSI(data->allcontent);
		UTF8toANSI(data->title);
		/*UTF8toANSI(data->tim);
		UTF8toANSI(data->mem);
		UTF8toANSI(data->des);
		UTF8toANSI(data->input);
		UTF8toANSI(data->output);
		UTF8toANSI(data->sinput);
		UTF8toANSI(data->soutput);*/
	}

	if(data->allcontent.GetLength()<5||data->title.GetLength()<1)
	{
		return 0;
	}
	//将处理后的数据写入到文件中
	CFile file;
	if(!file.Open("c:\\ojdata\\"+data->oj+"\\"+data->id,CFile::modeWrite))
	{
		if(!file.Open("c:\\ojdata\\"+data->oj+"\\"+data->id,CFile::modeCreate|CFile::modeWrite))
		{
			return 0;
		}
	}
	CArchive ar(&file,CArchive::store);
	ar<<data;
	ar.Close();
	file.Close();


    因为每个OJ的题目都有几千道，不可能每次打开软件都去遍历那么几千个文件，效率太低而且容易出错。因此我将每个题目的ID和标题都提取出来，放到一个文件中记录，用于题目的引索。

引索的结构是：题目数量、id1、标题1、id2、标题2、id3...的格式，每个OJ一个表。

下面是储存记录的代码，使用序列化储存：

        CFile file;
	if(!file.Open("c:\\ojdata\\"+oj+"\\pinfo",CFile::modeWrite))
	{
		if(!file.Open("c:\\ojdata\\"+oj+"\\pinfo",CFile::modeCreate|CFile::modeWrite))
		{
			AfxMessageBox("写入出错");
			return 1;
		}
	}
	CArchive ar(&file,CArchive::store);
	ar<<that->infonum;
	for(int i=0;i<that->infonum;i++)
	{
		ar<<(&that->problemarr[i]);
	}
	ar.Close();
	file.Close();

	//统计题目下载成功与失败
	str.Format("SECC:%d  FAIL:%d",that->infonum,totalnum-50-that->infonum);


hdu的：

技术分享


全是中文题目的OJ，不错不错：

技术分享


水水更健康：

技术分享

    基本上题目的采集工作到此结束。以后做VOJ的时候再将各个部分正则出来。

因为网络环境的因素，OJ题目的访问速度不一定很快，这里可以用开多个线程进行下载，以及优化题目的下载和处理，因为我可以直接挂在我的服务器上下载，所以就一条线程下载处理完了。我用的电信50M的宽带（坑爆，说是50M，上行只有不到2M，电信太煎饼了，一个月169还不包含短信费，80端口封完喊还推荐我开3000一个月的商务宽带）大概下载一个OJ的所有题目10多分钟，我直接6个OJ一起下载的。不想等待的朋友可以直接在附件下载我采集好的题目包，把它解压到到C盘即可。


    采集到了题目，怎么看呢？肯定不能直接给人看，一堆标记语言烦死了。WINDOWS自带了浏览器控件，直接使用它即可，我使用了两种方式，一种是对话框上的HTML控件，可能是我的原因但是这个控件不稳定， 在一些电脑上老加载出错。技术分享



    于是我另外用了CDHtmlDialog。这直接是个HTML的对话框，每次把题目的本地地址给他后让其Navigate即可。由于我题目是储存的一个problemdata结构体，含有一些其他的信息。打开题目前需要把要显示的题目提取出来，重新生成一个HTML文件，然后再让HTML对话框打开它。

技术分享

    题目的显示过程：

bool ProblemList::opensafeproblem(CString oj,CString pid)
{
	CFile file;
	if(!file.Open("c:\\ojdata\\"+oj+"\\"+pid,CFile::modeRead))
	{
		return false;
	}
	CArchive ar(&file,CArchive::load);
	problemdata *data;
	ar>>data;
	ar.Close();
	file.Close();


	HtmlContent *contentdlg=new HtmlContent;
	if(!contentdlg->setdata(*data))
	{
		AfxMessageBox("文件打开失败");
		return false;
	}
	contentdlg->Create(IDD_DIALOG_HTML);
	contentdlg->ShowWindow(SW_SHOW);

	contentdlg->SetWindowTextA(pid);

	return true;
}
BOOL HtmlContent::OnInitDialog()
{
	CDHtmlDialog::OnInitDialog();

	this->SetHostFlags(DOCHOSTUIFLAG_NO3DBORDER | DOCHOSTUIFLAG_FLAT_SCROLLBAR);


	//将题目转化为HTML文件并在本地打开显示
	CFile *f=new CFile;
	if(!f->Open("c:\\ojdata\\"+data->oj+"\\"+data->id+".html",CFile::modeCreate|CFile::modeWrite))
	{
		AfxMessageBox("打开失败");
		this->CloseWindow();
	}
	f->Write(data->allcontent,data->allcontent.GetLength());
	f->Close();
	
	this->Navigate("c:\\ojdata\\"+data->oj+"\\"+data->id+".html");
	return TRUE;  // 除非将焦点设置到控件，否则返回 TRUE
}

    整个离线题库就是这样，需要支持其他OJ只要改改正则和题号即可，对于一些没法直接获取到题目的OJ要做另外的处理，uestc的新OJ就需要另外的方式获取题目内容。

    采集程序源码

    采集程序

    OJ题库下载

本文出自 “wchrt” 博客，请务必保留此出处http://wchrt.blog.51cto.com/8472636/1606066

OnlineJudge 离线题库采集


联系
我们