LiuShen/Friend-Circle-Lite
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

🎈 perf: 强制https&link域名转换

Browse Source
This commit is contained in:
xxfer
2024-11-18 15:58:23 +08:00
parent 4301500ee3
commit 08f3b38715
1 changed files with 193 additions and 145 deletions
Download Patch File Download Diff File Expand all files Collapse all files

312
friend_circle_lite/get_info.py
View File

@@ -1,8 +1,15 @@
import logging
from datetime import datetime, timedelta, timezone
from dateutil import parser
import requests
import feedparser
from concurrent.futures import ThreadPoolExecutor, as_completed
from urllib.parse import urlparse, urlunparse, urljoin
import ipaddress
import socket
# 设置日志配置
logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')
# 标准化的请求头
headers = {
@@ -21,9 +28,8 @@ def format_published_time(time_str):
返回:
str: 格式化后的时间字符串，若解析失败返回空字符串。
"""
# 尝试自动解析输入时间字符串
try:
parsed_time = parser.parse(time_str)
parsed_time = parser.parse(time_str, fuzzy=True)
# 如果没有时区信息，则将其视为 UTC
if parsed_time.tzinfo is None:
parsed_time = parsed_time.replace(tzinfo=timezone.utc)
@@ -33,34 +39,9 @@ def format_published_time(time_str):
return shanghai_time.strftime('%Y-%m-%d %H:%M')
except (ValueError, parser.ParserError):
pass
# 定义支持的时间格式
time_formats = [
'%a, %d %b %Y %H:%M:%S %z', # Mon, 11 Mar 2024 14:08:32 +0000
'%a, %d %b %Y %H:%M:%S GMT', # Wed, 19 Jun 2024 09:43:53 GMT
'%Y-%m-%dT%H:%M:%S%z', # 2024-03-11T14:08:32+00:00
'%Y-%m-%dT%H:%M:%SZ', # 2024-03-11T14:08:32Z
'%Y-%m-%d %H:%M:%S', # 2024-03-11 14:08:32
'%Y-%m-%d' # 2024-03-11
]
# 遍历所有支持的时间格式进行解析
for fmt in time_formats:
try:
parsed_time = datetime.strptime(time_str, fmt)
# 将解析的时间视为 UTC
parsed_time = parsed_time.replace(tzinfo=timezone.utc)
# 转换为上海时区
shanghai_time = parsed_time.astimezone(timezone(timedelta(hours=8)))
return shanghai_time.strftime('%Y-%m-%d %H:%M')
except ValueError:
continue
# 如果所有格式都无法匹配，返回空字符串
logging.warning(f"无法解析时间字符串：{time_str}")
return ''
def check_feed(blog_url, session):
"""
检查博客的 RSS 或 Atom 订阅链接。
@@ -78,67 +59,121 @@ def check_feed(blog_url, session):
如果 feed 链接可访问，则返回 ['feed', feed_url]；
如果都不可访问，则返回 ['none', blog_url]。
"""
possible_feeds = [
('atom', '/atom.xml'),
('rss', '/rss.xml'), # 2024-07-26 添加 /rss.xml内容的支持
('rss2', '/rss2.xml'),
('feed', '/feed'),
('feed2', '/feed.xml'), # 2024-07-26 添加 /feed.xml内容的支持
('feed3', '/feed/'),
('index', '/index.xml') # 2024-07-25 添加 /index.xml内容的支持
]
atom_url = blog_url.rstrip('/') + '/atom.xml'
rss_url = blog_url.rstrip('/') + '/rss.xml' # 2024-07-26 添加 /rss.xml内容的支持
rss2_url = blog_url.rstrip('/') + '/rss2.xml'
feed_url = blog_url.rstrip('/') + '/feed'
feed2_url = blog_url.rstrip('/') + '/feed.xml' # 2024-07-26 添加 /feed.xml内容的支持
feed3_url = blog_url.rstrip('/') + '/feed/' # 2024-07-26 添加 /feed/内容的支持
index_url = blog_url.rstrip('/') + '/index.xml' # 2024-07-25 添加 /index.xml内容的支持
for feed_type, path in possible_feeds:
feed_url = blog_url.rstrip('/') + path
# 确保 feed_url 使用 https 协议
feed_url = ensure_https(feed_url)
try:
atom_response = session.get(atom_url, headers=headers, timeout=timeout)
if atom_response.status_code == 200:
return ['atom', atom_url]
response = session.get(feed_url, headers=headers, timeout=timeout)
if response.status_code == 200:
return [feed_type, feed_url]
except requests.RequestException:
pass
try:
rss_response = session.get(rss_url, headers=headers, timeout=timeout)
if rss_response.status_code == 200:
return ['rss', rss_url]
except requests.RequestException:
pass
try:
rss_response = session.get(rss2_url, headers=headers, timeout=timeout)
if rss_response.status_code == 200:
return ['rss2', rss2_url]
except requests.RequestException:
pass
try:
feed_response = session.get(feed_url, headers=headers, timeout=timeout)
if feed_response.status_code == 200:
return ['feed', feed_url]
except requests.RequestException:
pass
try:
feed_response = session.get(feed2_url, headers=headers, timeout=timeout)
if feed_response.status_code == 200:
return ['feed2', feed2_url]
except requests.RequestException:
pass
try:
feed_response = session.get(index_url, headers=headers, timeout=timeout)
if feed_response.status_code == 200:
return ['index', index_url]
except requests.RequestException:
pass
try:
feed_response = session.get(feed3_url, headers=headers, timeout=timeout)
if feed_response.status_code == 200:
return ['feed3', feed3_url]
except requests.RequestException:
pass
continue
return ['none', blog_url]
def parse_feed(url, session, count=5):
def is_bad_link(link):
"""
判断链接是否是IP地址+端口、localhost+端口或缺少域名的链接
参数：
link (str): 要检查的链接
返回：
bool: 如果是IP地址+端口、localhost+端口或缺少域名，返回True；否则返回False
"""
try:
parsed_url = urlparse(link)
netloc = parsed_url.netloc
if not netloc:
return True # 缺少主机部分
# 分割出主机和端口
if ':' in netloc:
host, _ = netloc.split(':', 1)
else:
host = netloc
# 检查是否是localhost或环回地址127.0.0.1，包括IPv6的 ::1
if host in ['localhost', '::1', '127.0.0.1']:
return True
# 检查是否是IP地址
try:
ip = ipaddress.ip_address(host)
if socket.inet_aton(host) or ip.is_private or ip.is_loopback:
return True
return False
except ValueError:
return False
except Exception:
return False
def ensure_https(url):
"""
确保链接使用 https 协议
参数：
url (str): 原始链接
返回：
str: 使用 https 协议的链接
"""
parsed_url = urlparse(url)
if parsed_url.scheme != 'https':
parsed_url = parsed_url._replace(scheme='https')
return urlunparse(parsed_url)
return url
def fix_link(link, blog_url):
"""
修复链接，将IP地址、localhost或缺少域名的链接替换为blog_url的域名，并确保使用HTTPS
参数：
link (str): 原始链接
blog_url (str): 博客的URL
返回：
str: 修复后的链接
"""
if not link or not blog_url:
return link
parsed_blog_url = urlparse(blog_url)
# 如果链接是相对路径，或者缺少协议，则使用 urljoin
if not urlparse(link).netloc:
link = urljoin(blog_url, link)
parsed_link = urlparse(link)
# 强制使用 https 协议
if parsed_link.scheme != 'https':
parsed_link = parsed_link._replace(scheme='https')
if is_bad_link(link):
fixed_link = urlunparse(parsed_link._replace(netloc=parsed_blog_url.netloc))
return fixed_link
else:
# 确保链接使用 https 协议
fixed_link = urlunparse(parsed_link)
if parsed_link.scheme != 'https':
logging.info(f"将链接协议从 {link} 强制改为 HTTPS: {fixed_link}")
return fixed_link
def parse_feed(url, session, count=5, blog_url=None):
"""
解析 Atom 或 RSS2 feed 并返回包含网站名称、作者、原链接和每篇文章详细内容的字典。
@@ -149,6 +184,7 @@ def parse_feed(url, session, count=5):
url (str): Atom 或 RSS2 feed 的 URL。
session (requests.Session): 用于请求的会话对象。
count (int): 获取文章数的最大数。如果小于则全部获取，如果文章数大于则只取前 count 篇文章。
blog_url (str): 目标博客的 URL，用于修复文章链接。
返回：
dict: 包含网站名称、作者、原链接和每篇文章详细内容的字典。
@@ -165,21 +201,22 @@ def parse_feed(url, session, count=5):
'articles': []
}
for i, entry in enumerate(feed.entries):
for entry in feed.entries:
if 'published' in entry:
published = format_published_time(entry.published)
elif 'updated' in entry:
published = format_published_time(entry.updated)
# 输出警告信息
print(f"警告：文章 {entry.title} 未包含发布时间，请尽快联系站长处理，暂时已设置为更新时间 {published}")
logging.warning(f"文章 {entry.title} 未包含发布时间，已使用更新时间 {published}")
else:
published = ''
print(f"警告：文章 {entry.title} 未包含任何时间信息，请尽快联系站长处理")
logging.warning(f"文章 {entry.title} 未包含任何时间信息")
entry_link = entry.link if 'link' in entry else ''
fixed_link = fix_link(entry_link, blog_url)
article = {
'title': entry.title if 'title' in entry else '',
'author': result['author'],
'link': entry.link if 'link' in entry else '',
'link': fixed_link,
'published': published,
'summary': entry.summary if 'summary' in entry else '',
'content': entry.content[0].value if 'content' in entry and entry.content else entry.description if 'description' in entry else ''
@@ -187,13 +224,15 @@ def parse_feed(url, session, count=5):
result['articles'].append(article)
# 对文章按时间排序，并只取前 count 篇文章
result['articles'] = sorted(result['articles'], key=lambda x: datetime.strptime(x['published'], '%Y-%m-%d %H:%M'), reverse=True)
if count < len(result['articles']):
result['articles'] = result['articles'][:count]
result['articles'] = sorted(
result['articles'],
key=lambda x: datetime.strptime(x['published'], '%Y-%m-%d %H:%M') if x['published'] else datetime.min,
reverse=True
)[:count]
return result
except Exception as e:
print(f"不可链接的FEED地址：{url} : {e}")
logging.error(f"无法解析FEED地址：{url} : {e}", exc_info=True)
return {
'website_name': '',
'author': '',
@@ -216,6 +255,9 @@ def process_friend(friend, session, count, specific_RSS=[]):
"""
name, blog_url, avatar = friend
# 确保博客 URL 使用 https 协议
blog_url = ensure_https(blog_url)
# 如果 specific_RSS 中有对应的 name，则直接返回 feed_url
if specific_RSS is None:
specific_RSS = []
@@ -223,13 +265,13 @@ def process_friend(friend, session, count, specific_RSS=[]):
if rss_feed:
feed_url = rss_feed
feed_type = 'specific'
print(f"========“{name}”的博客“{blog_url} ”为特定RSS源“{feed_url}”========")
logging.info(f"“{name}”的博客“{blog_url}”为特定RSS源“{feed_url}”")
else:
feed_type, feed_url = check_feed(blog_url, session)
print(f"========“{name}”的博客“{blog_url} ”的feed类型为“{feed_type}”========")
logging.info(f"“{name}”的博客“{blog_url}”的feed类型为“{feed_type}”")
if feed_type != 'none':
feed_info = parse_feed(feed_url, session, count)
feed_info = parse_feed(feed_url, session, count, blog_url=blog_url)
articles = [
{
'title': article['title'],
@@ -242,7 +284,7 @@ def process_friend(friend, session, count, specific_RSS=[]):
]
for article in articles:
print(f"{name} 发布了新文章：{article['title']}, 时间：{article['created']}")
logging.info(f"{name} 发布了新文章：{article['title']}，时间：{article['created']}，链接：{article['link']}")
return {
'name': name,
@@ -250,7 +292,7 @@ def process_friend(friend, session, count, specific_RSS=[]):
'articles': articles
}
else:
print(f"{name} 的博客 {blog_url} 无法访问")
logging.warning(f"{name} 的博客 {blog_url} 无法访问")
return {
'name': name,
'status': 'error',
@@ -267,16 +309,22 @@ def fetch_and_process_data(json_url, specific_RSS=[], count=5):
specific_RSS (list): 包含特定 RSS 源的字典列表 [{name, url}]
返回：
dict: 包含统计数据和文章信息的字典。
tuple: (处理后的数据字典, 错误的朋友信息列表)
"""
session = requests.Session()
retries = requests.packages.urllib3.util.retry.Retry(
total=3, backoff_factor=0.3, status_forcelist=[500, 502, 503, 504]
)
adapter = requests.adapters.HTTPAdapter(max_retries=retries)
session.mount('http://', adapter)
session.mount('https://', adapter)
try:
response = session.get(json_url, headers=headers, timeout=timeout)
friends_data = response.json()
except Exception as e:
print(f"无法获取该链接：{json_url} , 出现的问题为：{e}")
return None
logging.error(f"无法获取链接：{json_url}，出现的问题为：{e}", exc_info=True)
return None, []
total_friends = len(friends_data['friends'])
active_friends = 0
@@ -303,7 +351,7 @@ def fetch_and_process_data(json_url, specific_RSS=[], count=5):
error_friends += 1
error_friends_info.append(friend)
except Exception as e:
print(f"处理 {friend} 时发生错误: {e}")
logging.error(f"处理 {friend} 时发生错误: {e}", exc_info=True)
error_friends += 1
error_friends_info.append(friend)
@@ -318,8 +366,7 @@ def fetch_and_process_data(json_url, specific_RSS=[], count=5):
'article_data': article_data
}
print("数据处理完成")
print("总共有 %d 位朋友，其中 %d 位博客可访问，%d 位博客无法访问" % (total_friends, active_friends, error_friends))
logging.info(f"数据处理完成，总共有 {total_friends} 位朋友，其中 {active_friends} 位博客可访问，{error_friends} 位博客无法访问")
return result, error_friends_info
@@ -334,16 +381,15 @@ def sort_articles_by_time(data):
dict: 按时间排序后的文章信息字典
"""
# 先确保每个元素存在时间
for article in data['article_data']:
if article['created'] == '' or article['created'] == None:
for article in data.get('article_data', []):
if not article.get('created'):
article['created'] = '2024-01-01 00:00'
# 输出警告信息
print(f"警告：文章 {article['title']} 未包含任何可提取的时间信息，已设置为默认时间 2024-01-01 00:00")
logging.warning(f"文章 {article['title']} 未包含时间信息，已设置为默认时间 2024-01-01 00:00")
if 'article_data' in data:
sorted_articles = sorted(
data['article_data'],
key=lambda x: datetime.strptime(x['created'], '%Y-%m-%d %H:%M'),
key=lambda x: datetime.strptime(x['created'], '%Y-%m-%d %H:%M') if x['created'] else datetime.min,
reverse=True
)
data['article_data'] = sorted_articles
@@ -364,17 +410,19 @@ def marge_data_from_json_url(data, marge_json_url):
response = requests.get(marge_json_url, headers=headers, timeout=timeout)
marge_data = response.json()
except Exception as e:
print(f"无法获取该链接：{marge_json_url} , 出现的问题为：{e}")
logging.error(f"无法获取链接：{marge_json_url}，出现的问题为：{e}", exc_info=True)
return data
if 'article_data' in marge_data:
print("开始合并数据，原数据共有 %d 篇文章，境外数据共有 %d 篇文章" % (len(data['article_data']), len(marge_data['article_data'])))
data['article_data'].extend(marge_data['article_data'])
data['article_data'] = list({v['link']:v for v in data['article_data']}.values())
print("合并数据完成，现在共有 %d 篇文章" % len(data['article_data']))
logging.info(f"开始合并数据，原数据共有 {len(data['article_data'])} 篇文章，境外数据共有 {len(marge_data['article_data'])} 篇文章")
existing_links = set(article['link'] for article in data['article_data'])
new_articles = [article for article in marge_data['article_data'] if article['link'] not in existing_links]
data['article_data'].extend(new_articles)
logging.info(f"合并数据完成，现在共有 {len(data['article_data'])} 篇文章")
return data
import requests
def marge_errors_from_json_url(errors, marge_json_url):
"""
@@ -392,17 +440,16 @@ def marge_errors_from_json_url(errors, marge_json_url):
response = requests.get(marge_json_url, timeout=10) # 设置请求超时时间
marge_errors = response.json()
except Exception as e:
print(f"无法获取该链接：{marge_json_url}，出现的问题为：{e}")
logging.error(f"无法获取链接：{marge_json_url}，出现的问题为：{e}", exc_info=True)
return errors
# 提取 marge_errors 中的 URL
marge_urls = {item[1] for item in marge_errors}
# 合并错误信息列表并去重
errors_set = set(tuple(error) for error in errors)
marge_errors_set = set(tuple(error) for error in marge_errors)
combined_errors = list(errors_set.union(marge_errors_set))
# 使用过滤器保留 errors 中在 marge_errors 中出现的 URL
filtered_errors = [error for error in errors if error[1] in marge_urls]
print("合并错误信息完成，保留了 %d 位朋友" % len(filtered_errors))
return filtered_errors
logging.info(f"合并错误信息完成，合并后共有 {len(combined_errors)} 位朋友")
return combined_errors
def deal_with_large_data(result):
"""
@@ -418,21 +465,22 @@ def deal_with_large_data(result):
article_data = result.get("article_data", [])
# 检查文章数量是否大于 150
if len(article_data) > 150:
print("数据量较大，开始进行处理···")
# 获取前 150 篇文章的作者集合
first_200_authors = {article["author"] for article in article_data[:150]}
max_articles = 150
if len(article_data) > max_articles:
logging.info("数据量较大，开始进行处理...")
# 获取前 max_articles 篇文章的作者集合
top_authors = {article["author"] for article in article_data[:max_articles]}
# 从第151篇开始过滤，只保留前150篇出现过的作者的文章
filtered_articles = article_data[:150] + [
article for article in article_data[150:]
if article["author"] in first_200_authors
# 从第 {max_articles + 1} 篇开始过滤，只保留前 max_articles 篇出现过的作者的文章
filtered_articles = article_data[:max_articles] + [
article for article in article_data[max_articles:]
if article["author"] in top_authors
]
# 更新结果中的 article_data
result["article_data"] = filtered_articles
# 更新结果中的统计数据
result["statistical_data"]["article_num"] = len(filtered_articles)
print("数据处理完成，保留 %d 篇文章" % len(filtered_articles))
logging.info(f"数据处理完成，保留 {len(filtered_articles)} 篇文章")
return result