昨天写道关于不支持Rss输入的网站，可以自制Rss的部分，但是Ponyfish的功能实在是太弱了，只能通过URL的辨别来生成Rss，如果对于URL不规则的网站就没有办法了。在昨天提到的介绍文章里面提到了一个网站，Feed43，进去试了试，发现很好但是很难用。Feed43抓取的不只是post的URL，而是整个页面的html代码，然后通过里面的规则过滤，得到输出的函数，再生成的Feed的。虽然复杂，但是却更加容易自定义，这里仅对本blog进行测试。
点击Create your own feed后，系统自动分配你个feed生成页面和feed地址，第一步输入源页面地址。还可以输入字符编码，可惜不支持GB的中文编码，默认的示UTF－8的。reload之后，Feed43抓取整个页面的html，接着就要定义规则了，这个需要你有点html代码的知识。看下抓取的代码，可以发现每个post其实是有规律的，哪怕是使用最笨拙的表格套表格形式的html，也是有规律的。对于我的blog而言，一段post的代码一般是这样的：
<div class=”PostHead”>
<h1><a title=”Permanent Link to [文章标题]” href=”[文章链接]” rel=”bookmark”>[文章标题]</a></h1>
<ul>
<li class=”PostAuthor”>[作者]</li>
<li class=”PostCateg”>Filed under: <a href=”[分类链接]” title=”View all posts in [文章分类]” rel=”category”>[文章分类]</a></li>
</ul>
</div>
<small class=”PostTime”><strong>Saturday</strong><br />[文章发布时间]</small>
<div class=”PostContent”>
[文章内容]
</div>
<div class=”PostDet”>
<ul><li class=”PostCom”><a href=”[评论链接]” title=”Comment on [文章内容]“>[评论数量]</a></li></ul></div>
</div>
之后我们需要定义要提取的部分，Feed43提供两个可用的函数{*}通配符和{%}提取函数，把不需要的部分用{*}替换的，把需要导出的部分用{%}代替，然后进行过滤。但是为了每个函数都可以调用，{}前后都必须有字段才能过滤。比如上面这段，因为支取文章链接、文章标题和文章内容三段，就可以用用这个规则：
<div class=”PostHead”>{*}href=”{%}” rel=”bookmark”>{%}</a>{*}<div class=”PostContent”>{%}</div>
提取后得到三个结果：
{%1} = [文章链接]
{%2} = [文章标题]
{%3} = [文章内容]
接下来要定义输出的feed了，标题链接和简介都比较容易，主要是Rss item这段需要把上面的结果放到里面，特别是文章内容模版这个部分，有的时候抓取可能忽略了部分html代码段，这内容模版里面需要补上。好在这个blog还是比较规则的，不需要补什么，只要把{%3}放在里面就可以了。
最后就得到了feed。Feed43有多个方案，免费方案里规定每隔6个小时抓取一次源页面，而且源页面的大小不能超过100KB，所以有可能抓取不成。如果注册，还可以对已经生成feed进行管理。
不过，这真是件累人的事。
Post a Comment