用Python抓取RSS提要

Question

我是Python和编程的新手，如果这个问题很愚蠢，请原谅。

我一直在循序渐进地学习关于RSS抓取的this教程，但是在试图收集到所收集文章标题的相应链接时，Python出现了一个“列表索引超出范围”的错误。

这是我的代码：

from urllib import urlopen
from BeautifulSoup import BeautifulSoup
import re

source  = urlopen('http://feeds.huffingtonpost.com/huffingtonpost/raw_feed').read()

title = re.compile('<title>(.*)</title>')
link = re.compile('<link>(.*)</link>')

find_title = re.findall(title, source)
find_link = re.findall(link, source)

literate = []
literate[:] = range(1, 16)

for i in literate:
    print find_title[i]
    print find_link[i]

当我只告诉它检索标题时，它执行得很好，但当我想检索标题和它们对应的链接时，它会立即抛出索引错误。

如有任何帮助，将不胜感激。

Answer 1

我认为您使用了错误的regex从页面中提取链接。

>>> link = re.compile('<link rel="alternate" type="text/html" href=(.*)')
>>> find_link = re.findall(link, source)
>>> find_link[1].strip()
'"http://www.huffingtonpost.com/andrew-brandt/the-peyton-predicament-pa_b_1271834.html" />'
>>> len(find_link)
15
>>>

查看页面的html source，您会发现链接未包含在 <link></link>模式。

实际上模式是<link rel="alternate" type="text/html" href= links here。

这就是你的regex不工作的原因。

Answer 2

您可以使用^{} module to parse an RSS feed from a given url：

#!/usr/bin/env python
import feedparser # pip install feedparser

d = feedparser.parse('http://feeds.huffingtonpost.com/huffingtonpost/latestnews')
# .. skipped handling http errors, cacheing ..

for e in d.entries:
    print(e.title)
    print(e.link)
    print(e.description)
    print("\n") # 2 newlines

输出

Even Critics Of Safety Net Increasingly Depend On It
http://www.huffingtonpost.com/2012/02/12/safety-net-benefits_n_1271867.html
<p>Ki Gulbranson owns a logo apparel shop, deals in 
<!-- ... snip ... -->

Christopher Cain, Atlanta Anti-Gay Attack Suspect, Arrested And
Charged With Aggravated Assault And Robbery
http://www.huffingtonpost.com/2012/02/12/atlanta-anti-gay-suspect-christopher-cain-arrested_n_1271811.html
<p>ATLANTA -- Atlanta police have arrested a suspect 
<!-- ... snip ... -->

使用regular expressions to parse rss(xml)可能不是一个好主意。