如何从从 Google Reader 导出的 OPML 文件中提取提要 URL？答案

【问题标题】：How do you extract feed urls from an OPML file exported from Google Reader?如何从从 Google Reader 导出的 OPML 文件中提取提要 URL？
【发布时间】：2011-08-11 07:57:20
【问题描述】：

我正在尝试使用一个名为Rss-Aware 的软件。它基本上是桌面提要检查器，用于检查 RSS 提要是否更新并通过 Ubuntu 的 Notify-OSD 系统发出通知。

但是，要知道要检查哪些提要，您必须在 ~/.rss-aware/rssfeeds.txt 的文本文件中一个接一个地列出提要 URL，并在每个提要 URL 之间用换行符逐个列出。比如：

http://example.com/feed.xml
http://othersite.org/feed.xml
http://othergreatsite.net/rss.xml

...看起来很简单吧？好吧，我想使用的提要列表从 Google Reader 导出为 OPML 文件（它是一种 XML），我不知道如何解析它以仅输出提要 URL。看起来应该很简单，但我很难过。

如果有人可以用 Python 或 Ruby 提供一个实现，或者我可以在提示下快速完成的事情，我会很高兴。一个 bash 脚本会很棒。

非常感谢您的帮助，我是一个非常薄弱的程序员，很想学习如何进行这种基本解析。

编辑：另外，here is the OPML file 我正在尝试从中提取提要网址。

【问题讨论】：

标签： python xml parsing bash opml

【解决方案1】：

由于它是一个 XML 文件，您可以使用 XPath 查询来提取网址。在 XML 文件中，看起来 rss 提要 URL 存储在 xmlUrl 属性中。 XPath 表达式//@xmlUrl 将选择该属性的所有值。

如果您想在您的网络浏览器中对此进行测试，您可以使用online XPath tester。如果你想在 Python 中执行这个 XPath 查询，this question explains how to use XPath in Python。此外，lxml 文档有 a page on using XPath in lxml 可能会有所帮助。

【讨论】：

... 您可以在带有 xmlstarlet 的 bash 管道中使用 XPath。

【解决方案2】：

我为此目的编写了一个订阅列表解析器。它被称为listparser，它是用 Python 编写的。我刚刚测试了您的 OPML 文件，它似乎完美地解析了该文件。它还将使您的供稿标签可用。

如果你曾经使用过 feedparser，那么界面应该很熟悉：

>>> import listparser as lp
>>> d = lp.parse('https://dl.dropbox.com/u/670189/google-reader-subscriptions.xml')
>>> len(d.feeds)
112
>>> d.feeds[100].url
u'http://longreads.com/rss'
>>> d.feeds[100].tags
[u'reading']

可以使用类似于以下的脚本创建带有提要 URL 的文件：

import listparser as lp
d = lp.parse('https://dl.dropbox.com/u/670189/google-reader-subscriptions.xml')
f = open('/home/USERNAME/.rss-aware/rssfeeds.txt', 'w')
for i in d.feeds:
    f.write(i.url + '\n')
f.close()

只需将USERNAME 替换为您的实际用户名即可。完成！

【讨论】：

【解决方案3】：

您也可以使用正则表达式。我使用以下搜索和替换正则表达式将我的 Google Reader OPML 导出转换为 Firefox HTML 实时书签导入：

^\s+<outline.*?title="(.*?)".*?xmlUrl="(.*?)".*?htmlUrl="(.*?)".*?/>
<DT><A FEEDURL="$2" HREF="$3">$1</A>

【讨论】：

【解决方案4】：

XML 解析非常容易实现，对我来说效果很好。

from xml.etree import ElementTree
def extract_rss_urls_from_opml(filename):
    urls = []
    with open(filename, 'rt') as f:
        tree = ElementTree.parse(f)
    for node in tree.findall('.//outline'):
        url = node.attrib.get('xmlUrl')
        if url:
            urls.append(url)
    return urls
urls = extract_rss_urls_from_opml('your_file')

【讨论】：