使用Python(PyRSS2Gen)生成RSS

PalmerYang

已于 2022-04-28 16:04:24 修改

阅读量6.1k

点赞数

分类专栏： Rss订阅文章标签：大数据

于 2022-04-21 22:28:26 首次发布

本文链接：https://blog.csdn.net/unreliable_narrator/article/details/124333597

版权

Rss订阅专栏收录该内容

5 篇文章 5 订阅

订阅专栏

一.Rss订阅源的本质

要通过代码生成Rss订阅源，首先应该了解Rss订阅源到底是什么东西。

1.分析Rss订阅源

我们打开少数派官方提供给我们的Rss订阅源，保存网页可以看到Rss订阅源本质上就是一个储存在文件服务器里面的Xml文件。

2.Rss订阅源的结构

打开xml文件，结构如下:

<?xml version="1.0" encoding="UTF-8"?>
<rss
    xmlns:atom="http://www.w3.org/2005/Atom"
    xmlns:dc="http://purl.org/dc/elements/1.1/" version="2.0">
    <channel>
        <title>少数派</title>
        <link>https://sspai.com</link>
        <description>少数派致力于更好地运用数字产品或科学方法，帮助用户提升工作效率和生活品质</description>
        <language>zh-CN</language>
        <managingEditor>contact@sspai.com (少数派)</managingEditor>
        <pubDate>Wed, 20 Apr 2022 17:26:49 +0800</pubDate>
        <item>
            <title>写给想用代码建造新世界的你</title>
            <link>https://sspai.com/post/72729</link>
            <description>摆在你面前的是一份诱惑：100 小时后，代码能让你成为一个新世界的主宰。
                <a href="https://sspai.com/post/72729" target="_blank">查看全文</a>
            </description>
            <author>数字工具组</author>
            <pubDate>Wed, 20 Apr 2022 17:26:49 +0800</pubDate>
        </item>
        <item>
          ...
        </item>
        <atom:link href="https://sspai.com/feed" type="application/rss+xml" ref="self"/>
        <atom:link href="https://sspai.com/feed" type="application/rss+xml" ref="hub"/>
    </channel>
</rss>

文档中的第一行：XML 声明 - 定义了文档中使用的 XML 版本和字符编码。此例子遵守 1.0 规范，并使用UTF-8字符集。下一行是标识此文档是一个 RSS 文档的 RSS 声明（此例是 RSS version 2.0）。下一行含有元素。此元素用于描述 RSS订阅源。
元素有三个必需的子元素：

<title> </title>: 定义频道的标题。（比如 w3school 首页）
<link> : 定义到达频道的超链接。（比如 www.w3school.com.cn）
<description> : 描述此频道（比如免费的网站建设教程）

每个元素可拥有一个或多个元素。元素拥有三个必需的子元素：

<title> : 定义信息流条目的标题。
<link> : 定义定义信息流条目到达详情页的超链接。
<description> : 定义定义信息流条目的描述信息。

最后，后面的两行关闭和元素。

对应Rss阅读器里面的内容如下:

二.爬取网页数据生成Rss订阅源

通过上面的小节了解到Rss订阅源就是固定格式的XML文件，放在文件服务器上，Rss阅读器通过网络访问XML文件然后进行解析就可以获取到信息流了。我们要将一个网页里面的内容转换成固定格式的XML文件，需要以下几个步骤:

通过HTTP爬取源网站的内容。
对源网站的内容数据进行清洗，获得我们想要的数据。
将获取的数据组织成Rss固定文件格式，并且生成XML文件。
将生成好的Rss订阅源文件放置到静态服务器中。
服务器定时重复上面的步骤爬取最新的数据生成新的订阅源进行更行。
Rss阅读器通过静态服务器链接访问Rss订阅源。

1.爬取源网站的内容

使用requests访问页面，获取Html数据:

import requests
#请求头
headers = {
    'User-Agent': 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36\
    (KHTML, like Gecko) Chrome/75.0.3770.142 Mobile Safari/537.36',
    'Content-Type': 'text/html; charset=utf-8',
}
hostUrl='https://sspai.com/'
#模拟请求获取网络数据
html=requests.get(hostUrl,headers=headers)

2.对数据进行清洗

使用BeautifulSoup对html网页数据进行清洗，获取我们所需要的数据:

from bs4 import BeautifulSoup
bs = BeautifulSoup(html.text,'html.parser')
contents=bs.findAll(class_='advertisementCardBox article')
for content in contents:
	title=content.find(class_='title text_ellipsis2').string
	url=hostUrl+content.find(class_='pc_card')['href']
	detialHtml=requests.get(url,headers=headers)
	detial=detialHtml.text

3.组织成Rss固定文件格式，生成Rss格式的XML文件

对清洗完的数据进行组装，组装成RSS数据，需要用到PyRSS2Gen这个库，如果没有安装的先用Pip进行安装:

pip install PyRSS2Gen

rssItems=[]
for content in contents:
	title=content.find(class_='title text_ellipsis2').string
	link=hostUrl+content.find(class_='pc_card')['href']
	detialHtml=requests.get(link,headers=headers)
	bsDetial = BeautifulSoup(detialHtml.text,'html.parser')
	description=bsDetial.prettify()
	rssItem=PyRSS2Gen.RSSItem(				
	title=title,	
	link=link,		
	description = str(description),	
	#时间需要根据网站发布信息的时间单独计算然后格式化
	#pubDate =datetime.datetime.now()
	)
	rssItems.append(rssItem)
rss = PyRSS2Gen.RSS2(
title = "少数派", 
link = hostUrl,
description = "少数派致力于更好地运用数字产品或科学方法，帮助用户提升工作效率和生活品质", 
lastBuildDate = datetime.datetime.now(),
items = rssItems)
rss.write_xml(open('SSP_Rss.xml', "w",encoding='utf-8'),encoding='utf-8')

4.完整代码

import requests
from bs4 import BeautifulSoup
from lxml import etree
import PyRSS2Gen
import datetime
#请求头
headers = {
    'User-Agent': 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36\
    (KHTML, like Gecko) Chrome/75.0.3770.142 Mobile Safari/537.36',
    'Content-Type': 'text/html; charset=utf-8',
}
hostUrl='https://sspai.com'
# 少数派内容爬取
def shaoShuPaiSpider():
	#模拟请求获取网络数据
	html=requests.get(hostUrl+'/',headers=headers)
	#使用BeautifulSoup进行解析
	bs = BeautifulSoup(html.text,'html.parser')
	contents=bs.findAll(class_='advertisementCardBox article')
	rssItems=[]
	for content in contents:
		title=content.find(class_='title text_ellipsis2').string
		link=hostUrl+content.find(class_='pc_card')['href']
		detialHtml=requests.get(link,headers=headers)
		bsDetial = BeautifulSoup(detialHtml.text,'html.parser')
		description=bsDetial.prettify()
		rssItem=PyRSS2Gen.RSSItem(				
		title=title,	
		link=link,		
		description = str(description),	
		#时间需要根据网站发布信息的时间单独计算然后格式化
		#pubDate =datetime.datetime.now()
		)
		rssItems.append(rssItem)
	return rssItems

def makeRss(rssItems):
	rss = PyRSS2Gen.RSS2(
	title = "少数派", 
	link = hostUrl,
	description = "少数派致力于更好地运用数字产品或科学方法，帮助用户提升工作效率和生活品质", 
	lastBuildDate = datetime.datetime.now(),
	items = rssItems)
	rss.write_xml(open('SSP_Rss.xml', "w",encoding='utf-8'),encoding='utf-8') 
	pass	
if __name__ == '__main__':
	rssItems=shaoShuPaiSpider()
	makeRss(rssItems)

5.将生成好的Rss文件放到静态文件服务器中

这里我们使用nodeJs创建一台简单的静态文件服务器:

Nodejs搭建一个的本地静态文件服务器

第一步：在Nodejs安装目录安装：

npm install connect

第二步：在Nodejs安装目录安装：

npm install serve-static

第三步：新建server.js (可以放在项目里去运行也可以放在Nodejs安装目录下运行)：

var connect = require("connect");var serveStatic = require("serve-static"); var app = connect();app.use(serveStatic("D:\rss")); app.listen(5000);

第四步：

运行node server.js

通过静态服务器访问Rss源

上文启动了一台静态服务器，通过服务器访问Rss文件:

http://127.0.0.1:5000/SSP_Rss.xml

可以看到数据和官方生成的是一样的，将Rss链接导入Rss阅读器中即可。

三.定时执行任务生成Rss

通过上面的步骤已经可以生成一个Rss订阅源了，但是这个订阅源生成以后，我们需要每次手动执行python脚本才会爬取网页数据生成新的Rss内容。因此我们需要再定一个任务不断重复执行来保证Python脚本保证Rss数据的更新，由于笔者的Python脚本是跑在Linux上面的，在Linux系统上面执行周期性的任务一般有如下几种方式:

linux操作系统自带的软件：crontab
第三方的定时任务软件：atd、anacron
WEB定时软件：PPGo_Job
基于etcd的定时任务系统

为了简单起见我们就使用Linux系统会自带的crontab来执行周期性定时任务。

1.检查定时服务是否开启

首先确认crond服务是否开启，执行命令：

systemctl status crond

如果出现如下结果，就表示crond任务已经开启。

crond任务保存的地方在:

/var/spool/cron 所有的用户定时任务都保存在 /var/spool/cron 目录中，当用户增加定时任务时，会在该目录中添加以自己名称命名的文件，并将定时任务保存在其中。

定时任务的日志在:

/var/log/cron : 可以查看到执行那些定时任务
/var/log/messages: 记录系统操作的日志，（例如：用户登录）

当定时任务出现错误的时候，需要排查错误，就需要到定时任务日志文件中去查询错误的原因。

crontab服务操作相关命令:

systemctl  start   crond    //启动服务
systemctl  stop    crond    //关闭服务
systemctl  restart crond    //重启服务
systemctl  reload  crond    //重新载入配置
systemctl  status  crond    //查看状态

2.定时任务编写

crontab -e ： 编辑定时任务（用户可以省略，默认是当前用户）
crontab -l ： 查看定时任务（只查看当前用户的定时任务）

创建定时任务需要遵循一定的规范，在crond文件中，前面的五列都代表一个时间，从左到右分别是分钟、小时、天、月、星期，如果不做设置，可以用*跳过，最后一列表示要执行的任务,例如每一分钟执行一次hello.py脚本:

* * * * * python hello.py

这个文件中是通过 5 个“”来确定命令或任务的执行时间的，这 5 个“”的具体含义:

crontab 时间表示	含义	范围
第一个"*"	一小时当中的第几分钟（minute）	0~59
第二个"*"	一天当中的第几小时（hour）	0~23
第三个"*"	一个月当中的第几天（day）	1~31
第四个"*"	一年当中的第几个月（month）	1~12
第五个"*"	一周当中的星期几（week）	0~7（0和7都代表星期日）

在时间表示中，还有一些特殊符号:

时间特殊符号	特殊符号
*（星号）	代表任何时间。比如第一个"*"就代表一小时种每分钟都执行一次的意思。
,（逗号）	代表不连续的时间。比如"0 8，12，16***命令"就代表在每天的 8 点 0 分、12 点 0 分、16 点 0 分都执行一次命令。
-（中杠）	代表连续的时间范围。比如"0 5 ** 1-6命令"，代表在周一到周六的凌晨 5 点 0 分执行命令。
/（正斜线）	代表每隔多久执行一次。同时正斜线可以和星号一起使用，比如"/10***命令"，如果用在minute字段,代表每隔 10 分钟就执行一次命令。

每分钟执行一次:
```
 * * * * *
```
每小时的第3和第15分钟执行
```
3,15 * * * *
```
每天的凌晨3点执行一次:
```
0 3 * * *
```
每天上午7,9,10整点点各执行一次:
```
0 7,9,10 * * *
```
在上午8点到11点的第3和第15分钟执行
```
3,15 8-11 * * * 
```
每隔两天的上午8点到11点的第3和第15分钟执行
```
3,15 8-11 */2 * * 
```
每个星期一的上午8点到11点的第3和第15分钟执行
```
3,15 8-11 * * 1   
```
表示每隔5小时执行:
```
0 */5 * * *
```

我这里是每一小时以root用户执行一次位于/home/peng/rss的ssp.py脚本生成Rss订阅源:

*/60 * * * * root python /home/peng/rss/ssp.py

PalmerYang

关注

0
点赞
踩
5

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录