如何检测页面是 RSS 还是 ATOM 提要

Question

我目前正在用 PHP 构建一个新的在线 Feed 阅读器。我正在开发的功能之一是提要自动发现。如果用户输入网站 URL，脚本将检测到它不是 feed，并通过解析 HTML 中正确的 标记来查找真正的 feed URL。

问题是，我目前检测 URL 是否为提要或网站的方式仅在部分时间有效，而且我知道这不是最佳解决方案。现在，我正在获取 CURL 响应并通过 simplexml_load_string 运行它，如果它无法解析它，我会将其视为网站。这是代码。

$xml = @simplexml_load_string( $site_found['content'] );

if( !$xml ) // this is a website, not a feed
{
    // handle website
}
else
{
    // parse feed
}

显然，这并不理想。此外，当它遇到一个可以解析的 HTML 网站时，它会认为它是一个提要。

关于检测 PHP 中提要和非提要之间差异的好方法有什么建议吗？

Answer 1

我会嗅探这些格式具有的各种唯一标识符：

Atom: 来源

<?xml version="1.0" encoding="utf-8"?>
<feed xmlns="http://www.w3.org/2005/Atom">

RSS 0.90：来源

<rdf:RDF
xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#"
xmlns="http://my.netscape.com/rdf/simple/0.9/">

Netscape RSS 0.91

<rss version="0.91">

等（有关完整概述，请参阅第二个源链接）。

据我所知，通过分别查找 和 标签，分离 Atom 和 RSS 应该非常容易。另外，您不会在有效的 HTML 文档中找到这些内容。

您可以通过首先查找 和 元素来进行初步检查，以区分 HTML 和 Feed。为了避免无效输入的问题，这可能是使用正则表达式（通过解析器）最终合理的情况 一次 :)

如果与 HTML 测试不匹配，请对其运行 Atom / RSS 测​​试。如果它未被识别为提要，或者 XML 解析器因无效输入而阻塞，则再次回退到 HTML。

在实际情况下，饲料供应商是否始终遵守这些规则是一个不同的问题，但您应该已经能够通过这种方式识别出很多东西。

Answer 2

我认为您最好的选择是获取 Content-Type 标头，因为我认为 Firefox（或任何其他浏览器）就是这样做的。此外，如果你仔细想想，Content-Type确实是服务器告诉用户代理如何处理响应内容的方式。几乎所有像样的 HTTP 服务器都会发送正确的 Content-Type 标头。

不过，如果第一个选择“失败”，您可以尝试将内容中的 rss/atom 识别为第二选择（此标准取决于您）。

另一个好处是，您只需要请求标头而不是整个文档，从而节省带宽、时间等。您可以使用curl 来做到这一点，如下所示：

<?php
 $ch = curl_init("http://sample.com/feed");
 curl_setopt($ch, CURLOPT_NOBODY, true); // this set the HTTP Request Method to HEAD instead GET(default) and the server only sends HTTP Header(no content).
 curl_exec($ch);
 $conType = curl_getinfo($ch, CURLINFO_CONTENT_TYPE);

 if (is_rss($conType)){ // You need to implement is_rss($conType) function
    // TODO
 }elseif(is_html($conType)) { // You need to implement is_html($conType) function
    // Search a rss in html
 }else{
    // Error : Page has no rss/atom feed
 }
?>

Answer 3

为什么不尝试使用专门为解析 RSS/ATOM Feed 构建的组件来解析数据，例如 Zend_Feed_Reader ？

这样，如果解析成功，您将非常确定您使用的 URL 确实是有效的 RSS/ATOM 提要。

我应该补充一点，您也可以使用这样的组件来解析提要，以便提取它们的信息：无需重新发明轮子，“手动解析 XML”，并处理特殊情况自己处理。

Answer 4

使用 Content-Type HTTP 响应标头分派到正确的处理程序。