使用 Python 抓取 RSS 提要

Question

我是 Python 和编程的新手，所以如果问题非常愚蠢，请原谅我。

我一直在关注此 关于 RSS 逐步抓取的教程，但在尝试收集标题的相应链接时，我收到来自 Python 的“列表索引超出范围”错误正在收集的文章的数量。

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，但当我想检索标题及其相应的链接时，它会立即抛出索引错误。

任何帮助将不胜感激。

Answer 1

您可以使用 feedparser< /code> 模块从给定的 url 解析 RSS feed:

#!/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 解析 rss(xml) 的正则表达式。

Answer 2

我认为您使用了错误的正则表达式从页面中提取链接。

>>> 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 源代码，您会发现链接未包含在
模式。

实际上，模式是。

这就是你的正则表达式不起作用的原因。