如何使用 Competitive Companion 扩展快速提取编程竞赛测试用例?超实用指南
Competitive Companion 是一款强大的浏览器扩展,专为编程竞赛爱好者设计,能够自动解析各类在线评测平台的题目,快速提取测试用例并发送到本地IDE,显著提升解题效率。无论是Codeforces、AtCoder还是其他热门OJ平台,这款工具都能帮你省去手动复制粘贴测试用例的繁琐步骤,让你更专注于算法逻辑本身。
什么是 Competitive Companion?
Competitive Companion 本质上是一个编程竞赛辅助工具,作为浏览器扩展运行,它能够:
- 自动识别题目页面中的输入输出样例
- 标准化测试用例格式
- 将数据发送到本地IDE(如VS Code、CLion等)
- 支持全球超过50个主流在线评测平台
该项目的核心代码组织在 src/ 目录下,其中 src/parsers/ 文件夹包含了针对不同平台的解析器实现,例如 CodeforcesProblemParser.ts、AtCoderProblemParser.ts 等,每个解析器都针对特定平台的HTML结构进行了优化。
测试用例提取的核心技术解析
1. 测试用例类型系统设计
Competitive Companion 定义了清晰的测试用例类型系统,在 src/models/TestType.ts 中可以看到:
export enum TestType {
Single = 'single',
MultiNumber = 'multiNumber',
}
这种设计使得扩展能够处理不同格式的测试用例:
- Single:单一测试用例
- MultiNumber:多组测试用例(带数量标识)
2. 平台无关的解析器架构
扩展采用了面向接口的设计模式,所有平台解析器都遵循统一的接口规范。以 Codeforces 解析器为例(src/parsers/problem/CodeforcesProblemParser.ts),其核心逻辑包括:
// 提取输入输出块
const inputs = elem.querySelectorAll('.input pre');
const outputs = elem.querySelectorAll('.output pre');
// 添加测试用例
for (let i = 0; i < inputs.length && i < outputs.length; i++) {
task.addTest(this.parseMainTestBlock(inputs[i]), this.parseMainTestBlock(outputs[i]));
}
这种架构使得添加新平台支持变得简单,只需实现对应的解析器即可。
3. 智能测试用例识别算法
不同平台的测试用例展示方式各不相同,Competitive Companion 使用了多种策略来识别和提取测试用例:
- 基于选择器的定位:通过CSS选择器精确定位包含测试用例的HTML元素
- 文本模式匹配:使用正则表达式识别"Input"、"Output"等关键词
- DOM结构分析:分析HTML层次结构确定测试用例边界
例如,在 SPOJProblemParser.ts 中,采用了文本模式匹配的方式:
const sampleCasePattern = /^(?:input|влез)\n(.*)(?:output|излез)\n(.*)$/s;
如何安装和使用 Competitive Companion?
安装步骤
- 从浏览器扩展商店安装扩展(Chrome Web Store 或 Firefox Add-ons)
- 安装本地IDE插件(如 VS Code 的 Competitive Programming Helper)
- 配置扩展与IDE之间的通信
基本使用流程
- 打开任意支持的编程竞赛题目页面(如 Codeforces 题目页)
- 点击浏览器工具栏中的 Competitive Companion 图标
- 扩展自动提取测试用例并发送到本地IDE
- IDE自动创建包含测试用例的代码文件
整个过程只需2-3秒,相比手动操作平均节省1-2分钟的准备时间,在多题目的竞赛环境中累计节省的时间相当可观。
支持的在线评测平台
Competitive Companion 目前支持的平台覆盖了全球主要的编程竞赛网站,包括但不限于:
- 国际平台:Codeforces、AtCoder、Topcoder、HackerRank、Kattis
- 国内平台:洛谷、牛客网、AcWing、计蒜客
- 教育平台:CS Academy、CSES Problem Set
完整的平台列表可以在项目的 src/parsers/problem/ 目录下查看,每个平台都有对应的解析器实现文件。
常见问题与解决方案
1. 测试用例提取不完整怎么办?
这通常是由于平台HTML结构更新导致解析器失效。解决方案:
- 检查是否有更新版本的扩展
- 在GitHub上提交issue,附上问题页面链接
- 临时可以手动调整
src/parsers/目录下对应的解析器代码
2. 如何添加新的平台支持?
要添加新平台支持,需要:
- 创建新的解析器类,继承基础解析器
- 实现测试用例提取逻辑
- 在
src/parsers/parsers.ts中注册新解析器 - 添加平台URL匹配模式
详细的贡献指南可以参考项目的README文件。
总结
Competitive Companion 通过精巧的技术设计,解决了编程竞赛中一个普遍存在的痛点问题。其核心价值在于:
- 效率提升:将测试用例处理时间从分钟级降至秒级
- 准确性保障:避免手动复制导致的格式错误
- 跨平台统一:为不同OJ平台提供一致的用户体验
- 开源生态:活跃的社区维护和更新,持续支持新平台
无论你是编程竞赛新手还是资深选手,这款工具都能显著提升你的竞赛效率。通过自动处理测试用例这种重复性工作,让你能够将宝贵的脑力集中在算法设计和代码实现上,这正是 Competitive Companion 作为"编程竞赛伴侣"的真正意义所在。
如果你是开发者,也可以通过贡献代码来支持更多平台或改进现有解析器,项目的模块化设计使得扩展功能变得简单直观。立即尝试这款工具,体验编程竞赛的流畅新方式!
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
