如何检测页面是 RSS 还是 ATOM 提要答案

【问题标题】：How to detect if a page is an RSS or ATOM feed如何检测页面是 RSS 还是 ATOM 提要
【发布时间】：2011-01-27 10:20:26
【问题描述】：

我目前正在用 PHP 构建一个新的在线提要阅读器。我正在开发的功能之一是提要自动发现。如果用户输入网站 URL，脚本将检测到它不是提要并通过解析 HTML 以找到正确的 <link> 标记来查找真正的提要 URL。

问题是，我目前检测 URL 是供稿还是网站的方式仅在部分时间有效，而且我知道这不是最佳解决方案。现在我正在接受 CURL 响应并通过simplexml_load_string 运行它，如果它无法解析它，我将它视为一个网站。这是代码。

$xml = @simplexml_load_string( $site_found['content'] );

if( !$xml ) // this is a website, not a feed
{
    // handle website
}
else
{
    // parse feed
}

显然，这并不理想。此外，当它遇到一个它可以解析的 HTML 网站时，它认为它是一个提要。

关于在 PHP 中检测提要或非提要之间差异的好方法有什么建议吗？

【问题讨论】：

标签： php rss feedparser atom-feed

【解决方案1】：

使用 Content-Type HTTP 响应标头分派到正确的处理程序。

【讨论】：

我认为他的问题更深层次，他需要使用许多 RSS 源，其中许多甚至不能以他们选择的格式提供有效的标记 - 更不用说发送正确的内容类型标头了。

【解决方案2】：

我认为您最好的选择是获取 Content-Type 标头，因为我认为这是 Firefox（或任何其他浏览器）的方式。此外，如果你仔细想想，Content-Type 确实是服务器告诉用户代理如何处理响应内容的方式。几乎所有体面的 HTTP 服务器都会发送正确的 Content-Type 标头。

但是，如果第一个“失败”（此标准取决于您），您可以尝试将内容中的 rss/atom 识别为第二个选择。

另一个好处是您只需要请求标头而不是整个文档，从而节省带宽、时间等。您可以使用 curl 执行此操作，如下所示：

<?php
 $ch = curl_init("http://sample.com/feed");
 curl_setopt($ch, CURLOPT_NOBODY, true); // this set the HTTP Request Method to HEAD instead GET(default) and the server only sends HTTP Header(no content).
 curl_exec($ch);
 $conType = curl_getinfo($ch, CURLINFO_CONTENT_TYPE);

 if (is_rss($conType)){ // You need to implement is_rss($conType) function
    // TODO
 }elseif(is_html($conType)) { // You need to implement is_html($conType) function
    // Search a rss in html
 }else{
    // Error : Page has no rss/atom feed
 }
?>

【讨论】：

【解决方案3】：

我会嗅探这些格式所具有的各种唯一标识符：

原子：Source

<?xml version="1.0" encoding="utf-8"?>
<feed xmlns="http://www.w3.org/2005/Atom">

RSS 0.90：Source

<rdf:RDF
xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#"
xmlns="http://my.netscape.com/rdf/simple/0.9/">

网景 RSS 0.91

<rss version="0.91">

等等。等（完整概述请参见第二个源链接）。

据我所知，通过分别查找<feed> 和<rss> 标签来分离Atom 和RSS 应该很容易。另外，您不会在有效的 HTML 文档中找到它们。

您可以通过首先查找 <html> 和 <body> 元素来进行初步检查以区分 HTML 和提要。为了避免无效输入的问题，这可能是最终证明使用正则表达式（通过解析器）的情况for once :)

如果它与 HTML 测试不匹配，请对其运行 Atom / RSS 测试。如果它未被识别为提要，或者 XML 解析器因输入无效而阻塞，请再次回退到 HTML。

在野外看起来是什么样子 - 提要提供者是否总是遵守这些规则 - 是一个不同的问题，但您应该已经能够通过这种方式识别很多。

【讨论】：

是的，他们应该有那些标签标识符。但是那里有很多格式不正确的提要和不同的版本，我不能依赖它。寻找或标签很有趣。我会测试一下。
@Pepper 是的，也许编译标签列表来嗅探？ html 和 body 用于 HTML，rdf 和 item (IIRC) 用于 RSS，feed 用于 Atom....

【解决方案4】：

为什么不尝试使用专门为解析 RSS/ATOM Feed 而构建的组件来解析您的数据，例如 Zend_Feed_Reader ？

这样，如果解析成功，您将非常确定您使用的 URL 确实是有效的 RSS/ATOM 提要。

而且我应该补充一点，您也可以使用这样的组件来解析提要以提取它们的信息：无需重新发明轮子，解析 XML“手动”，并处理特殊情况自己。

【讨论】：

使用 simplexml_load_string 并手动解析对我有用，它正在检测网站和提要之间的差异，这就是问题所在。不过谢谢;)
如果提要是格式错误的 XML 怎么办？您是否能够解析标签和附件等提要的所有扩展？也许您不关心这些事情，但我的经验是，提要并不像您期望的那样标准化，并且使用现有的库可以防止您重新发明轮子。
我试试 Zend_Feed_Reader。我在项目早期尝试了 SimplePie，我自己解析它的成功率更高。你说得对，提要没有标准化，那里一团糟。