2

我正在寻找一个代码片段（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、原子等）。

所以 input isURL和 output list of channels。

重要的是完整性，这意味着如果页面关联了一些信息通道，则应该找到它。

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。

谢谢你

4

1 回答 1

4

head您可以在 html 文件的标签中找到提要。在那里，它们应该被指定为link具有关联内容类型和指定其位置的 href 属性的标签。

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)

This code would have to be extended quite a bit though if you want to cover all the quirky ways a feed can be added to a html page.

于 2011-09-30T08:39:24.210 回答