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!
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0152- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
LongCat-Video-Avatar-1.5最新开源LongCat-Video-Avatar 1.5 版本,这是一款经过升级的开源框架,专注于音频驱动人物视频生成的极致实证优化与生产级就绪能力。该版本在 LongCat-Video 基础模型之上构建,可生成高度稳定的商用级虚拟人视频,支持音频-文本转视频(AT2V)、音频-文本-图像转视频(ATI2V)以及视频续播等原生任务,并能无缝兼容单流与多流音频输入。00
auto-devAutoDev 是一个 AI 驱动的辅助编程插件。AutoDev 支持一键生成测试、代码、提交信息等,还能够与您的需求管理系统(例如Jira、Trello、Github Issue 等)直接对接。 在IDE 中,您只需简单点击,AutoDev 会根据您的需求自动为您生成代码。Kotlin03
Intern-S2-PreviewIntern-S2-Preview,这是一款高效的350亿参数科学多模态基础模型。除了常规的参数与数据规模扩展外,Intern-S2-Preview探索了任务扩展:通过提升科学任务的难度、多样性与覆盖范围,进一步释放模型能力。Python00
skillhubopenJiuwen 生态的 Skill 托管与分发开源方案,支持自建与可选 ClawHub 兼容。Python0112
