继续Node爬虫 — 百行代码自制自动AC机器人日解千题攻占HDOJ
前言
不说话，先猛戳 Ranklist 看我排名。
这是用 node 自动刷题大概半天的 "战绩"，本文就来为大家简单讲解下如何用 node 做一个 "自动AC机"。
过程
先来扯扯 oj（online judge）。计算机学院的同学应该对 ACM 都不会陌生，ACM 竞赛是拼算法以及数据结构的比赛，而 oj 正是练习 ACM 的 "场地"。国内比较有名的 oj 有 poj、zoj 以及 hdoj 等等，这里我选了 hdoj （完全是因为本地上 hdoj 网速快）。
在 oj 做题非常简单。以 hdoj 为例，先注册个账号（http://bestcoder.hdu.edu.cn/register.php ），然后随便打开一道题（http://acm.hdu.edu.cn/showproblem.php?pid=1000 ），点击最下面的 Submit 按钮（ http://acm.hdu.edu.cn/submit.php?pid=1000 ），选择提交语言（Language），将答案复制进去，最后再点击 Submit 按钮提交，之后就可以去查看是否 AC（Accepted） 了（ http://acm.hdu.edu.cn/status.php ）。
用 node 来模拟用户的这个过程，其实就是一个 模拟登录+模拟提交 的过程，根据经验，模拟提交这个 post 过程肯定会带有 cookie。提交的 code 哪里来呢？直接爬取搜索引擎就好了。
整个思路非常清晰：
- 模拟登录（post）
- 从搜索引擎爬取 code（get）
- 模拟提交（post）
模拟登录
首先来看模拟登录，根据经验，这大概是一个 post 过程，会将用户名以及密码以 post 的方式传给服务器。打开 chrome，F12，抓下这个包，有必要时可以将Preserve log 这个选项勾上。
请求头居然还带有 Cookie，经测试，key 为 PHPSESSID 的这个 Cookie 是请求所必须的，这个 Cookie 哪来的呢？其实你只要一打开 http://acm.hdu.edu.cn/ 域名下的任意地址，服务端便会把这个
Cookie "种" 在浏览器中。一般你登录总得先打开登录页面吧？打开后自然就有这个 Cookie 了，而登录请求便会携带这个 Cookie。一旦请求成功，服务器便会和客户端建立一个 session，服务端表示这个 cookie 我认识了，每次带着这个 cookie 请求的我都可以通过了。一旦用户退出，那么该 session 中止，服务端把该 cookie 从认识名单中删除，即使再次带着该 cookie 提交，服务端也会表示 "不认识你了"。
所以模拟登录可以分为两个过程，首先请求 http://acm.hdu.edu.cn/ 域名下的任意一个地址，并且将返回头中 key 为 PHPSESSID 的
Cookie 取出来保存（key=value 形式），然后携带 Cookie 进行 post 请求进行登录。
// 模拟登录
function login() {
superagent
// get 请求任意 acm.hdu.edu.cn 域名下的一个 url
// 获取 key 为 PHPSESSID 这个 Cookie
.get('http://acm.hdu.edu.cn/status.php')
.end(function(err, sres) {
// 提取 Cookie
var str = sres.header['set-cookie'][0];
// 过滤 path
var pos = str.indexOf(';');
// 全局变量存储 Cookie，登录 以及 post 代码时候用
globalCookie = str.substr(0, pos);
// 模拟登录
superagent
// 登录 url
.post('http://acm.hdu.edu.cn/userloginex.php?action=login')
// post 用户名 & 密码
.send({"username": "hanzichi"})
.send({"userpass": "hanzichi"})
// 这个请求头是必须的
.set("Content-Type", "application/x-www-form-urlencoded")
// 请求携带 Cookie
.set("Cookie", globalCookie)
.end(function(err, sres) {
// 登录完成后，启动程序
start();
});
});
}
模拟 HTTP 请求的时候，有些请求头是必须的，有些则是可以忽略。比如模拟登录 post 时， Content-Type 这个请求头是必须携带的，找了我好久，如果程序一直启动不了，可以试试把所有请求头都带上，逐个进行排查。
搜索引擎爬取 Code
这一部分我做的比较粗糙，这也是我的爬虫 AC 正确率比较低下的原因。
我选择了百度来爬取答案。以 hdu1004 这道题为例，如果要搜索该题的 AC 代码，我们一般会在百度搜索框中输入 hdu1004 ，而结果展现的页面 url 为https://www.baidu.com/s?ie=UTF-8&wd=hdu1004 。这个 url 还是非常有规律的，https://www.baidu.com/s?ie=UTF-8&wd = 加上 keyword。
百度的一个页面会展现 10 个搜索结果，代码里我选择了 ACMer 在 csdn 里的题解，因为 csdn 里的代码块真是太好找了，不信请看。
csdn 把代码完全放在了一个 class 为 cpp 的 dom 元素中，简直是太友好了有没有！相比之下，博客园等其他地方还要字符串过滤，为了简单省事，就直接选取了 csdn 的题解代码。
一开始我以为，一个搜索结果页有十条结果，每条结果很显然都有一个详情页的 url，判断一下 url 中有没有 csdn 的字样，如果有，则进入详情页去抓 code。但是百度居然给这个 url 加密了！
我注意到每个搜索结果还带有一个小字样的 url，没有加密，见下图。
于是我决定分析这个 url，如果带有 csdn 字样，则跳转到该搜索结果的详情页进行代码抓取。事实上，带有 csdn 的也不一定能抓到 code（ csdn 的其他二级域名，比如下载频道 http://download.csdn.net/ ），所以在 getCode() 函数中写了个 try{}..catch(){} 以免代码出错。
// 模拟百度搜索题解
function bdSearch(problemId) {
var searchUrl = 'https://www.baidu.com/s?ie=UTF-8&wd=hdu' + problemId;
// 模拟百度搜索
superagent
.get(searchUrl)
// 必带的请求头
.set("User-Agent", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.111 Safari/537.36")
.end(function(err, sres) {
var $ = cheerio.load(sres.text);
var lis = $('.t a');
for (var i = 0; i < 10; i++) {
var node = lis.eq(i);
// 获取那个小的 url 地址
var text = node.parent().next().next().children("a").text();
// 如果 url 不带有 csdn 字样，则返回
if (text.toLowerCase().indexOf("csdn") === -1)
continue;
// 题解详情页 url
var solutionUrl = node.attr('href');
getCode(solutionUrl, problemId);
}
});
}bdSearch() 函数传入一个参数，为 hdoj 题目编号。然后去爬取百度获取题解详情页的 url，经过测试 爬取百度必须带有 UA ！其他的就非常简单了，代码里的注释很清楚。
// 从 csdn 题解详情页获取代码
function getCode(solutionUrl, problemId) {
superagent.get(solutionUrl, function(err, sres) {
// 为防止该 solutionUrl 可能不是题解详情页
// 没有 class 为 cpp 的 dom 元素
try {
var $ = cheerio.load(sres.text);
var code = $('.cpp').eq(0).text();
if (!code)
return;
post(code, problemId);
} catch(e) {
}
});
}getCode() 函数根据题解详情页获取代码。前面说了，csdn 的代码块非常直接，都在一个类名为 cpp 的 dom 元素中。
模拟提交
最后一步来看模拟提交。我们可以抓一下这个 post 包看看长啥样。
很显然，Cookie 是必须的，我们在第一步模拟登录的时候已经得到这个 Cookie 了。因为这是一个 form 表单的提交，所以 Content-Type 这个请求 key 也需要携带。其他的话，就在请求数据中了，problemid 很显然是题号，code 很显然就是上面求得的代码。
// 模拟代码提交
function post(code, problemId) {
superagent
.post('http://acm.hdu.edu.cn/submit.php?action=submit')
.set('Content-Type', 'application/x-www-form-urlencoded')
.set("Cookie", globalCookie)
.send({"problemid": problemId})
.send({"usercode": code})
.end(function (err, sres) {
});
}完整代码
完整代码可以参考 Github 。
其中 singleSubmit.js 为单一题目提交，实例代码为 hdu1004 的提交，而allSubmit.js 为所有代码的提交，代码中我设置了一个 10s 的延迟，即每 10s 去百度搜索一次题解，因为要爬取 baidu、csdn 以及 hdoj 三个网站，任意一个网站 ip 被封都会停止整个灌水机的运作，所以压力还是很大的，设置个 10s 的延迟后应该木有什么问题了。
学习 node 主要就是因为对爬虫有兴趣，也陆陆续续完成了几次简单的爬取，可以移步我的博客中的Node.js 系列。这之前我把代码都随手扔在了 Github 中，居然有人 star 和 fork，让我受宠若惊，决定给我的爬虫项目单独建个新的目录，记录学习 node 的过程，项目地址 https://github.com/1335661317/funny-node/tree/master/auto-AC-machine 。我会把我的 node 爬虫代码都同步在这里，同时会记录每次爬虫的实现过程，保存为每个小目录的 README.md 文件。
后续优化
仔细看，其实我的爬虫非常 "智弱"，正确率十分低下，甚至不能 AC hdu1001！我认为可以从以下几个方面进行后续改进：
-
爬取 csdn 题解详情页时进行 title 过滤。比如爬取 hdu5300 的题解https://www.baidu.com/s?ie=UTF-8&wd=hdu5300 ，搜索结果中有 HDU4389，程序显然没有预料到这一点，而会将之代码提交，显然会 WA 掉。而如果在详情页中进行 title 过滤的话，能有效避免这一点，因为 ACMer 写题解时，title 一般都会带 hdu5300 或者 hdoj5300 字样。
-
爬取具体网站。爬取百度显然不是明智之举，我的实际 AC 正确率在 50% 左右，我尼玛，难道题解上的代码一半都是错误的吗？可能某些提交选错了语言（post 时有个 language 参数，默认为 0 为 G++提交，程序都是以 G++ 进行提交），其实我们并不能判断百度搜索得到的题解代码是否真的正确。如何提高正确率？我们可以定向爬取一些题解网站，比如 http://accepted.com.cn/ 或者http://www.acmerblog.com/ ，甚至可以爬取http://acm.hust.edu.cn/vjudge/problem/status.action 中 AC 的代码！
-
实时获取提交结果。我的代码写的比较粗糙，爬取百度搜索第一页的 csdn 题解代码，如果有 10 个就提交 10 个，如果没有那就不提交。一个更好的策略是实时获取提交结果，比如先提交第一个，获取返回结果，如果 WA 了则继续提交，如果 AC 了那就 break 掉。获取提交结果的话，暂时没有找到这个返回接口，可以从http://acm.hdu.edu.cn/status.php 中进行判断，也可以抓取 user 详情页http://acm.hdu.edu.cn/userstatus.php?user=hanzichi 。
