1

我想从各种博客中提取数据，并且正在通过各种方式来做到这一点：

  1. 需要用户认证的API
  2. XML RPC(不知道哪个都支持)
  3. RSS（同样，不确定哪些博客支持它，即使他们支持，从 RSS 提要中可以获得多少。）
  4. 原子

我知道这不是一个严格与编程相关的问题，但我继续提出这个问题，因为对于使用什么以及哪个更好服务存在很多困惑？

最好不要将 API 与身份验证一起使用，因为您不仅必须处理各种身份验证实现，还必须处理各种 API 限制。

4

2 回答 2

2

RSS 是最早投入使用的。它有局限性。Atom 旨在成为它的替代品，克服了 RSS 的局限性。Atom 只是 XML RPC 的一种特殊形式。换句话说，XML RPC 还有其他用途，而 Atom 就是您想要的它的变体。以上都是API的一种。因此，理想情况下，您要做的是支持 RSS 和 Atom。遗憾的是 Atom 和 RSS 不向后兼容。引用维基百科上的“Atom”：

特别是，许多博客和 wiki 站点以 Atom 格式提供其 Web 提要。

不推荐@porneL 的解决方案（目前）。然而，在未来，HTML 标记将发生变化，以改进赋予块的语义含义，例如新<article>标签。这将是另一种解析文档的方式。它将是最通用的，但在我看来，它还需要很长时间才能变得可靠，因为许多（如果不是大多数）网站都患有“标签汤”综合症。

于 2013-03-15T08:39:19.073 回答
1

最通用的“标准”是抓取和解析 HTML。

wget -m http://example.com/

你如何做到这一点取决于你想要完成什么以及你想要成为多么普遍。

您可以使用类似于 Readability 使用的启发式方法在网站上查找文章。您可以检测和特例流行的博客平台。

于 2013-03-15T10:08:22.417 回答