从网页中提取提要

Question

我正在寻找一个代码 sn-p（语言在这里并不重要），它将 提取与此页面关联的所有提要（RSS、Atom 等）。

所以输入是URL，输出是list of channels。

重要的是完整性，这意味着页面是否关联了一些信息通道 应该可以找到的。

我最好询问在 HTML 代码中找到什么以及在哪里找到以涵盖完整性。

谢谢

Answer 1

您可以在 html 文件的 head 标记中找到提要。在那里，它们应该被指定为 link 标记，并带有关联的内容类型和指定其位置的 href 属性。

要使用 python 从页面中提取所有提要 URL，您可以使用以下内容：

import urllib
from HTMLParser import HTMLParser

class FeedParser(HTMLParser):

    def __init__(self, *args, **kwargs):
        self.feeds = set()
        HTMLParser.__init__(self, *args, **kwargs)

    def handle_starttag(self, tag, attrs): 
        if tag == 'link':
            try:
                href = [attr[1] for attr in attrs if attr[0] == 'href'][0]
            except IndexError:
                return None         
            else:
                if ('type', 'application/atom+xml') in attrs or ('type', 'application/rss+xml') in attrs:
                    self.feeds.add(href)    


def get_all_feeds_from_url(url):
    f = urllib.urlopen(url)
    contents = f.read()
    f.close()

    parser = FeedParser()
    parser.feed(contents)
    parser.close()

    return list(parser.feeds)

如果您想涵盖所有可以将提要添加到 html 页面的奇特方式，则必须对这段代码进行相当多的扩展。