GESP真题下载

要解决的问题

GESP官方真题散落在网页中，PDF链接是无意义数字，手动下载后命名混乱，整理成本高。每季度新场次公布后，用户需重新爬取链接、重命名文件，且不同语言、等级、年份的组合让批量下载极易出错。

技能如何工作

核心能力

• 实时爬取官网列表页：脚本直接访问https://gesp.ccf.org.cn/101/1010/，动态解析HTML，无需硬编码链接，新场次自动出现
• 自动规范命名：从PDF链接的title属性还原可读名称，格式为GESP {年}年{月:02d}月 {语言} {等级}级 试题，如GESP 2026年03月 C++ 5级 试题.pdf
• 灵活筛选机制：支持--year、--month、--lang、--grade组合筛选，筛选条件为「与」关系
• 可选Markdown转换：下载后可通过--md转为Markdown，优先使用pymupdf4llm提升排版质量，缺失时回退到PyMuPDF纯文本提取

关键步骤

1. 范围判定：将自然语言映射为命令行参数，如--year 2026 --month 3 --lang cpp --grade 5
2. 防呆机制：无筛选条件且未加--all时，脚本拒绝下载并打印可选项清单，避免误操作
3. 执行下载：默认跳过已存在文件（可重复运行），加--force强制覆盖
4. 结果回报：输出下载数量、存储目录，并说明是否完成Markdown转换

容错设计

• 支持两种PDF链接格式：.pdf直链和cms/api/news/downloadFile?id=接口
• 请求间加入小延迟，避免对官网造成压力
• 若官网HTML结构变化导致解析失败，需更新脚本中的正则表达式

适用边界与注意点

Markdown转换的局限

图形化（Scratch）试卷以图片为主，文本提取有限，转换后的Markdown可能不完整，脚本会在这类文件顶部添加提示，请以PDF原文为准。

筛选条件的精度

筛选是「与」关系，如--lang python --grade 3仅匹配同时满足两个条件的试卷。若用户意图模糊（如“下载GESP真题”），脚本会先执行--list列出可选场次，等待用户确认范围。

官网改版风险

若官方调整页面结构（如更换DOM标签、接口路径），脚本可能无法解析到PDF链接。此时需检查并更新gesp_download.py中的正则表达式，确保兼容新结构。

下载频率控制

虽然无需登录，但请适度使用，避免高频请求对官网造成负担。脚本已在请求间添加延迟，但不建议短时间内大规模下载全部试卷。