Question

我有一个庞大的URL列表，我的任务是将它们提供给python脚本，如果有的话，它应该吐出feed url。是否有可以提供帮助的API库或代码？

Answer 1

有feedfinder：

>>> import feedfinder
>>>
>>> feedfinder.feed('scripting.com')
'http://scripting.com/rss.xml'
>>>
>>> feedfinder.feeds('scripting.com')
['http://delong.typepad.com/sdj/atom.xml', 
 'http://delong.typepad.com/sdj/index.rdf', 
 'http://delong.typepad.com/sdj/rss.xml']
>>>

Answer 2

我不知道任何现有的库，但Atom或RSS源通常在<link>部分用<head>标记表示：

<link rel="alternative" type="application/rss+xml" href="http://link.to/feed">
<link rel="alternative" type="application/atom+xml" href="http://link.to/feed">

直截了当的方式是使用lxml.html等HTML解析器下载和解析这些网址，并获取相关href标记的<link>属性。

Answer 3

我在推荐Beautiful Soup解析HTML然后获取＆lt; link rel =“alternate”＆gt;时，第二个华夫饼悖论。标签，其中引用了Feed。我经常使用的代码：

from BeautifulSoup import BeautifulSoup as parser

def detect_feeds_in_HTML(input_stream):
    """ examines an open text stream with HTML for referenced feeds.

    This is achieved by detecting all ``link`` tags that reference a feed in HTML.

    :param input_stream: an arbitrary opened input stream that has a :func:`read` method.
    :type input_stream: an input stream (e.g. open file or URL)
    :return: a list of tuples ``(url, feed_type)``
    :rtype: ``list(tuple(str, str))``
    """
    # check if really an input stream
    if not hasattr(input_stream, "read"):
        raise TypeError("An opened input *stream* should be given, was %s instead!" % type(input_stream))
    result = []
    # get the textual data (the HTML) from the input stream
    html = parser(input_stream.read())
    # find all links that have an "alternate" attribute
    feed_urls = html.findAll("link", rel="alternate")
    # extract URL and type
    for feed_link in feed_urls:
        url = feed_link.get("href", None)
        # if a valid URL is there
        if url:
            result.append(url)
    return result

Answer 4

取决于这些Feed中信息的格式良好（例如，http://.../形式的所有链接？您知道它们是否都在href或{{1这些Feed中的所有链接都是其他Feed吗？等等，我建议从简单的正则表达式到直接解析模块，从源中提取链接。

就解析模块而言，我只能推荐beautiful soup。虽然即使是最好的解析器也只会到目前为止 - 特别是在我上面提到的情况下，如果你不能保证数据中的所有链接都将成为其他feed的链接;然后你必须自己做一些额外的爬行和探测。

自动从网页中提取Feed链接（atom，rss等）

4 个答案: