使用 Python ElementTree 抓取具有命名空间的多个 URL 的 rss/xml

如何解决使用 Python ElementTree 抓取具有命名空间的多个 URL 的 rss/xml

我正在制作一个抓取工具,它可以循环浏览带有 RSS 提要的 url 列表,然后检索其博客文章的标题、博客文章的日期以及博客文章的链接。这后来被提交给 postgres。我已经制作了另一个脚本,它在没有命名空间的情况下检索 xml,并将这个脚本基于该代码。我认为我无法理解的最大问题是我有很多网站,其中各种网站都有备用名称空间,所以我不完全明白我将如何以优雅的方式检索这些不同的提要。>

以下是我遇到的一些 XML 示例。

    <rss xmlns:dc="http://purl.org/dc/elements/1.1/" version="2.0">
    <rss xmlns:atom="http://www.w3.org/2005/Atom" version="2.0">
    <rss xmlns:content="http://purl.org/rss/1.0/modules/content/">
    <rss xmlns:sy="http://purl.org/rss/1.0/modules/syndication/">
    <rss xmlns:georss="http://www.georss.org/georss">
    <rss mlns:slash="http://purl.org/rss/1.0/modules/slash/">
    <rss xmlns:geo="http://www.w3.org/2003/01/geo/wgs84_pos#" version="2.0">
    <rss xmlns:wfw="http://wellformedweb.org/CommentAPI/>

事实上,其中一个事件在单个 rss 标签中包含所有 xml 命名空间。

    <rss xmlns:content="http://purl.org/rss/1.0/modules/content/" 
    xmlns:wfw="http://wellformedweb.org/CommentAPI/" 
    xmlns:dc="http://purl.org/dc/elements/1.1/" 
    xmlns:atom="http://www.w3.org/2005/Atom" 
    xmlns:sy="http://purl.org/rss/1.0/modules/syndication/" 
    xmlns:slash="http://purl.org/rss/1.0/modules/slash/" 
    xmlns:georss="http://www.georss.org/georss" 
    xmlns:geo="http://www.w3.org/2003/01/geo/wgs84_pos#" version="2.0> 

这是我的刮板的代码。问题从第二次尝试开始

import asyncio
import httpx
import xml.etree.ElementTree as ET
import psycopg2
import pdb

#open initial connection
conn = psycopg2.connect("")

#open initial cursor
cur = conn.cursor()

URLS =  [
        "https://www.sitename1.com/feed.xml","https://www.sitename2.com/atom.xml","https://www.sitename3.com/feed.xml","https://www.sitename4.com/index.xml","https://www.sitename5.com/links/rss.xml","https://www.sitename6.com/blog/rss.xml","http://www.sitename7.com/rss.xml" ] 
        
        # there's at least 10 more sites after this,but you get the picture.

async def main():

    async with httpx.AsyncClient() as client:
        for url in URLS:
            response = await client.get(url)
            
            try:
                root = ET.fromstring(response.text)
                print("ROOT:",root)
                    
            except:
                continue
            try:
                links = [x for x in root if x.tag in ("entry","items")]
                #links = [x for x in root if x.tag in ("entry","items")]
                print("LINKS:",links)
            except:
                print("URL {} is rejected".format(url))
                continue

            for link in links:
                title = [x.text for x in link if x.tag == "title"]
                link_url = [x.attrib["href"] for x in link if x.tag == "link"]
                if title and link_url:
                    print("Found {} with HREF {}".format(title,link_url))
                    #cur.execute("INSERT INTO posts (host_title,post_url) VALUES (%s,%s)",#(title[0],link_url[0]))
                    #conn.commit()
                    print("committed")
                    print(f"{title} and {link_url} submitted to database.")
                    
    cur.execute("SELECT * FROM posts;")
    rows = cur.fetchall()
    for r in rows:
        print(f"{r[0]} and {r[1]}")
    cur.close()
    conn.close()  

if __name__ == '__main__':
    asyncio.run(main())

这是目前的输出,我通过抛出异常停止了它,但现在它输出的只是一个空列表。未检索任何数据。

    ROOT: <Element 'rss' at 0x7f4b249a7220>
    LINKS: []
    ROOT: <Element 'rss' at 0x7f4b2528ab30>
    LINKS: []
    ROOT: <Element 'rss' at 0x7f4b249707c0>
    LINKS: []
    ROOT: <Element 'rss' at 0x7f4b24978130>
    LINKS: []
    ROOT: <Element 'rss' at 0x7f4b249990e0>
    LINKS: []
    ROOT: <Element 'rss' at 0x7f4b249a7d60>
    LINKS: []
    ROOT: <Element 'rss' at 0x7f4b249bb860>
    LINKS: []
    ROOT: <Element 'rss' at 0x7f4b249c3720>
    LINKS: []
    ROOT: <Element 'rss' at 0x7f4b2497d270>
    LINKS: []

我相信问题出在这行代码上。

 try:
      links = [x for x in root if x.tag[1] in ("entry","items")]
      #links = [x for x in root if x.tag in ("channel","items")]
      print("LINKS:",links)

人们会怎么做呢?我浏览了 python 文档,阅读了 stackoverflow 线程,并挖掘了一堆博客线程,我尝试了各种提供的解决方案,但最终无济于事。任何帮助将不胜感激。

版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。

相关推荐


依赖报错 idea导入项目后依赖报错,解决方案:https://blog.csdn.net/weixin_42420249/article/details/81191861 依赖版本报错:更换其他版本 无法下载依赖可参考:https://blog.csdn.net/weixin_42628809/a
错误1:代码生成器依赖和mybatis依赖冲突 启动项目时报错如下 2021-12-03 13:33:33.927 ERROR 7228 [ main] o.s.b.d.LoggingFailureAnalysisReporter : *************************** APPL
错误1:gradle项目控制台输出为乱码 # 解决方案:https://blog.csdn.net/weixin_43501566/article/details/112482302 # 在gradle-wrapper.properties 添加以下内容 org.gradle.jvmargs=-Df
错误还原:在查询的过程中,传入的workType为0时,该条件不起作用 &lt;select id=&quot;xxx&quot;&gt; SELECT di.id, di.name, di.work_type, di.updated... &lt;where&gt; &lt;if test=&qu
报错如下,gcc版本太低 ^ server.c:5346:31: 错误:‘struct redisServer’没有名为‘server_cpulist’的成员 redisSetCpuAffinity(server.server_cpulist); ^ server.c: 在函数‘hasActiveC
解决方案1 1、改项目中.idea/workspace.xml配置文件,增加dynamic.classpath参数 2、搜索PropertiesComponent,添加如下 &lt;property name=&quot;dynamic.classpath&quot; value=&quot;tru
删除根组件app.vue中的默认代码后报错:Module Error (from ./node_modules/eslint-loader/index.js): 解决方案:关闭ESlint代码检测,在项目根目录创建vue.config.js,在文件中添加 module.exports = { lin
查看spark默认的python版本 [root@master day27]# pyspark /home/software/spark-2.3.4-bin-hadoop2.7/conf/spark-env.sh: line 2: /usr/local/hadoop/bin/hadoop: No s
使用本地python环境可以成功执行 import pandas as pd import matplotlib.pyplot as plt # 设置字体 plt.rcParams[&#39;font.sans-serif&#39;] = [&#39;SimHei&#39;] # 能正确显示负号 p
错误1:Request method ‘DELETE‘ not supported 错误还原:controller层有一个接口,访问该接口时报错:Request method ‘DELETE‘ not supported 错误原因:没有接收到前端传入的参数,修改为如下 参考 错误2:cannot r
错误1:启动docker镜像时报错:Error response from daemon: driver failed programming external connectivity on endpoint quirky_allen 解决方法:重启docker -&gt; systemctl r
错误1:private field ‘xxx‘ is never assigned 按Altʾnter快捷键,选择第2项 参考:https://blog.csdn.net/shi_hong_fei_hei/article/details/88814070 错误2:启动时报错,不能找到主启动类 #
报错如下,通过源不能下载,最后警告pip需升级版本 Requirement already satisfied: pip in c:\users\ychen\appdata\local\programs\python\python310\lib\site-packages (22.0.4) Coll
错误1:maven打包报错 错误还原:使用maven打包项目时报错如下 [ERROR] Failed to execute goal org.apache.maven.plugins:maven-resources-plugin:3.2.0:resources (default-resources)
错误1:服务调用时报错 服务消费者模块assess通过openFeign调用服务提供者模块hires 如下为服务提供者模块hires的控制层接口 @RestController @RequestMapping(&quot;/hires&quot;) public class FeignControl
错误1:运行项目后报如下错误 解决方案 报错2:Failed to execute goal org.apache.maven.plugins:maven-compiler-plugin:3.8.1:compile (default-compile) on project sb 解决方案:在pom.
参考 错误原因 过滤器或拦截器在生效时,redisTemplate还没有注入 解决方案:在注入容器时就生效 @Component //项目运行时就注入Spring容器 public class RedisBean { @Resource private RedisTemplate&lt;String
使用vite构建项目报错 C:\Users\ychen\work&gt;npm init @vitejs/app @vitejs/create-app is deprecated, use npm init vite instead C:\Users\ychen\AppData\Local\npm-