如何从 Google Reader 导出的 OPML 文件中提取提要 URL？

Question

我正在尝试使用一个名为 Rss-Aware 的软件。它基本上是一个桌面提要检查器，用于检查 RSS 提要是否更新并通过 Ubuntu 的 Notify-OSD 系统发出通知。

但是，要知道要检查哪些提要，您必须在 ~/.rss-aware/rssfeeds.txt 中的文本文件中逐个列出提要 URL，并在每个提要 URL 之间使用换行符。比如：

http://example.com/feed.xml
http://othersite.org/feed.xml
http://othergreatsite.net/rss.xml

......看起来很简单，对吧？嗯，我想要使用的提要列表是从 Google Reader 导出为 OPML 文件（它是 XML 的一种），我不知道如何解析它以仅输出提要 URL。看起来应该很简单，但我很困惑。

如果有人能提供 Python 或 Ruby 的实现，或者我可以根据提示快速完成的操作，我会很高兴。 bash 脚本会很棒。

非常感谢您的帮助，我是一个非常弱的程序员，很想学习如何进行这种基本解析。

编辑：此外，这是我正在尝试的 OPML 文件从中提取提要网址。

Answer 1

我为此目的编写了一个订阅列表解析器。它称为 listparser，是用 Python 编写的。我刚刚测试了您的 OPML 文件，它似乎可以完美地解析该文件。它还将使您的提要标签可用。

如果您曾经使用过 feedparser，那么该界面应该很熟悉：

>>> import listparser as lp
>>> d = lp.parse('https://dl.dropbox.com/u/670189/google-reader-subscriptions.xml')
>>> len(d.feeds)
112
>>> d.feeds[100].url
u'http://longreads.com/rss'
>>> d.feeds[100].tags
[u'reading']

可以使用类似于以下的脚本创建包含 feed URL 的文件：

import listparser as lp
d = lp.parse('https://dl.dropbox.com/u/670189/google-reader-subscriptions.xml')
f = open('/home/USERNAME/.rss-aware/rssfeeds.txt', 'w')
for i in d.feeds:
    f.write(i.url + '\n')
f.close()

只需将 USERNAME 替换为您的实际用户名。完毕！

Answer 2

XML 解析非常容易实现并且对我来说非常有效。

from xml.etree import ElementTree
def extract_rss_urls_from_opml(filename):
    urls = []
    with open(filename, 'rt') as f:
        tree = ElementTree.parse(f)
    for node in tree.findall('.//outline'):
        url = node.attrib.get('xmlUrl')
        if url:
            urls.append(url)
    return urls
urls = extract_rss_urls_from_opml('your_file')

Answer 3

由于它是一个 XML 文件，因此您可以使用 XPath 查询来提取网址。
在 XML 文件中，RSS feed url 似乎存储在 xmlUrl 属性中。 XPath 表达式 //@xmlUrl 将选择该属性的所有值。

如果您想在网络浏览器中对此进行测试，可以使用在线 XPath 测试器。如果您想在 Python 中执行此 XPath 查询，此问题解释了如何在 Python 中使用 XPath 。此外，lxml 文档有有关在 lxml 中使用 XPath 的页面，可能会有所帮助。

Answer 4

您还可以使用正则表达式。我使用以下搜索和替换正则表达式将 Google Reader OPML 导出转换为 Firefox HTML 实时书签导入：

^\s+<outline.*?title="(.*?)".*?xmlUrl="(.*?)".*?htmlUrl="(.*?)".*?/>
<DT><A FEEDURL="$2" HREF="$3">$1</A>

Answer 5

有许多 python 包可以提供帮助，这是一个非常旧的包（就像这个问题本身一样），并且可能不再维护（我什至找不到源代码），但使用起来非常简单。作为 Python 单行代码（将所有 Python 代码放入命令行）：

$ pip install opml
$ python3 -c 'import opml; o=opml.parse("stitcher.opml"); print(*[x.xmlUrl for x in o], sep="\n")'

这会从 OPML 文件中的每一行打印出一个 URL。或者，只需根据需要更改 print 语句即可。由于 python 包除此之外并不是特别有用，因此我会在完成后将其卸载：pip uninstall opml（请参阅：https://pypi.org/project/opml/ )