400 lines
15 KiB
Python
400 lines
15 KiB
Python
from datetime import datetime, timedelta, timezone
|
||
from dateutil import parser
|
||
import requests
|
||
import feedparser
|
||
from concurrent.futures import ThreadPoolExecutor, as_completed
|
||
|
||
# 标准化的请求头
|
||
headers = {
|
||
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/126.0.0.0 Safari/537.36'
|
||
}
|
||
|
||
timeout = (10, 15) # 连接超时和读取超时，防止requests接受时间过长
|
||
|
||
def format_published_time(time_str):
|
||
"""
|
||
格式化发布时间为统一格式 YYYY-MM-DD HH:MM
|
||
|
||
参数:
|
||
time_str (str): 输入的时间字符串，可能是多种格式。
|
||
|
||
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)
|
||
# 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)
|
||
|
||
# 转换为上海时区（UTC+8）
|
||
shanghai_time = parsed_time.astimezone(timezone(timedelta(hours=8)))
|
||
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
|
||
return ''
|
||
|
||
|
||
def check_feed(blog_url, session):
|
||
"""
|
||
检查博客的 RSS 或 Atom 订阅链接。
|
||
|
||
此函数接受一个博客地址，尝试在其后拼接 '/atom.xml', '/rss2.xml' 和 '/feed'，并检查这些链接是否可访问。
|
||
Atom 优先，如果都不能访问，则返回 ['none', 源地址]。
|
||
|
||
参数：
|
||
blog_url (str): 博客的基础 URL。
|
||
session (requests.Session): 用于请求的会话对象。
|
||
|
||
返回：
|
||
list: 包含类型和拼接后的链接的列表。如果 atom 链接可访问，则返回 ['atom', atom_url]；
|
||
如果 rss2 链接可访问，则返回 ['rss2', rss_url]；
|
||
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]。
|
||
"""
|
||
|
||
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
|
||
|
||
try:
|
||
atom_response = session.get(atom_url, headers=headers, timeout=timeout)
|
||
if atom_response.status_code == 200:
|
||
return ['atom', atom_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
|
||
|
||
return ['none', blog_url]
|
||
|
||
def parse_feed(url, session, count=5):
|
||
"""
|
||
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。
|
||
|
||
此函数接受一个 feed 的地址（atom.xml 或 rss2.xml），解析其中的数据，并返回一个字典结构，
|
||
其中包括网站名称、作者、原链接和每篇文章的详细内容。
|
||
|
||
参数：
|
||
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。
|
||
|
||
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。
|
||
"""
|
||
try:
|
||
response = session.get(url, headers=headers, timeout=timeout)
|
||
response.encoding = 'utf-8'
|
||
feed = feedparser.parse(response.text)
|
||
|
||
result = {
|
||
'website_name': feed.feed.title if 'title' in feed.feed else '',
|
||
'author': feed.feed.author if 'author' in feed.feed else '',
|
||
'link': feed.feed.link if 'link' in feed.feed else '',
|
||
'articles': []
|
||
}
|
||
|
||
for i, entry in enumerate(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}")
|
||
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")
|
||
article = {
|
||
'title': entry.title if 'title' in entry else '',
|
||
'author': result['author'],
|
||
'link': entry.link if 'link' in entry else '',
|
||
'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 ''
|
||
}
|
||
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]
|
||
|
||
return result
|
||
except Exception as e:
|
||
print(f"不可链接的FEED地址：{url}: {e}")
|
||
return {
|
||
'website_name': '',
|
||
'author': '',
|
||
'link': '',
|
||
'articles': []
|
||
}
|
||
|
||
def process_friend(friend, session, count, specific_RSS=[]):
|
||
"""
|
||
处理单个朋友的博客信息。
|
||
|
||
参数：
|
||
friend (list): 包含朋友信息的列表 [name, blog_url, avatar]。
|
||
session (requests.Session): 用于请求的会话对象。
|
||
count (int): 获取每个博客的最大文章数。
|
||
specific_RSS (list): 包含特定 RSS 源的字典列表 [{name, url}]
|
||
|
||
返回：
|
||
dict: 包含朋友博客信息的字典。
|
||
"""
|
||
name, blog_url, avatar = friend
|
||
|
||
# 如果 specific_RSS 中有对应的 name，则直接返回 feed_url
|
||
if specific_RSS is None:
|
||
specific_RSS = []
|
||
rss_feed = next((rss['url'] for rss in specific_RSS if rss['name'] == name), None)
|
||
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}”========")
|
||
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}”========")
|
||
|
||
if feed_type != 'none':
|
||
feed_info = parse_feed(feed_url, session, count)
|
||
articles = [
|
||
{
|
||
'title': article['title'],
|
||
'created': article['published'],
|
||
'link': article['link'],
|
||
'author': name,
|
||
'avatar': avatar
|
||
}
|
||
for article in feed_info['articles']
|
||
]
|
||
|
||
for article in articles:
|
||
print(f"{name} 发布了新文章：{article['title']}, 时间：{article['created']}")
|
||
|
||
return {
|
||
'name': name,
|
||
'status': 'active',
|
||
'articles': articles
|
||
}
|
||
else:
|
||
print(f"{name} 的博客 {blog_url} 无法访问")
|
||
return {
|
||
'name': name,
|
||
'status': 'error',
|
||
'articles': []
|
||
}
|
||
|
||
def fetch_and_process_data(json_url, specific_RSS=[], count=5):
|
||
"""
|
||
读取 JSON 数据并处理订阅信息，返回统计数据和文章信息。
|
||
|
||
参数：
|
||
json_url (str): 包含朋友信息的 JSON 文件的 URL。
|
||
count (int): 获取每个博客的最大文章数。
|
||
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。
|
||
"""
|
||
session = requests.Session()
|
||
|
||
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
|
||
|
||
total_friends = len(friends_data['friends'])
|
||
active_friends = 0
|
||
error_friends = 0
|
||
total_articles = 0
|
||
article_data = []
|
||
error_friends_info = []
|
||
|
||
with ThreadPoolExecutor(max_workers=10) as executor:
|
||
future_to_friend = {
|
||
executor.submit(process_friend, friend, session, count, specific_RSS): friend
|
||
for friend in friends_data['friends']
|
||
}
|
||
|
||
for future in as_completed(future_to_friend):
|
||
friend = future_to_friend[future]
|
||
try:
|
||
result = future.result()
|
||
if result['status'] == 'active':
|
||
active_friends += 1
|
||
article_data.extend(result['articles'])
|
||
total_articles += len(result['articles'])
|
||
else:
|
||
error_friends += 1
|
||
error_friends_info.append(friend)
|
||
except Exception as e:
|
||
print(f"处理 {friend} 时发生错误: {e}")
|
||
error_friends += 1
|
||
error_friends_info.append(friend)
|
||
|
||
result = {
|
||
'statistical_data': {
|
||
'friends_num': total_friends,
|
||
'active_num': active_friends,
|
||
'error_num': error_friends,
|
||
'article_num': total_articles,
|
||
'last_updated_time': datetime.now().strftime('%Y-%m-%d %H:%M:%S')
|
||
},
|
||
'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))
|
||
|
||
return result, error_friends_info
|
||
|
||
def sort_articles_by_time(data):
|
||
"""
|
||
对文章数据按时间排序
|
||
|
||
参数：
|
||
data (dict): 包含文章信息的字典
|
||
|
||
返回：
|
||
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:
|
||
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")
|
||
|
||
if 'article_data' in data:
|
||
sorted_articles = sorted(
|
||
data['article_data'],
|
||
key=lambda x: datetime.strptime(x['created'], '%Y-%m-%d %H:%M'),
|
||
reverse=True
|
||
)
|
||
data['article_data'] = sorted_articles
|
||
return data
|
||
|
||
def marge_data_from_json_url(data, marge_json_url):
|
||
"""
|
||
从另一个 JSON 文件中获取数据并合并到原数据中。
|
||
|
||
参数：
|
||
data (dict): 包含文章信息的字典
|
||
marge_json_url (str): 包含另一个文章信息的 JSON 文件的 URL。
|
||
|
||
返回：
|
||
dict: 合并后的文章信息字典，已去重处理
|
||
"""
|
||
try:
|
||
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}")
|
||
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']))
|
||
return data
|
||
|
||
def marge_errors_from_json_url(errors, marge_json_url):
|
||
"""
|
||
从另一个网络 JSON 文件中获取错误信息并遍历，删除在errors中，不存在于marge_errors中的友链信息。
|
||
|
||
参数：
|
||
errors (list): 包含错误信息的列表
|
||
marge_json_url (str): 包含另一个错误信息的 JSON 文件的 URL。
|
||
|
||
返回：
|
||
list: 合并后的错误信息列表
|
||
"""
|
||
try:
|
||
response = requests.get(marge_json_url, headers=headers, timeout=timeout)
|
||
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}")
|
||
return errors
|
||
|
||
print("开始合并错误信息，原错误信息共有 %d 位朋友，境外错误信息共有 %d 位朋友" % (len(errors), len(marge_errors)))
|
||
for error in errors:
|
||
if error not in marge_errors:
|
||
errors.remove(error)
|
||
print("合并错误信息完成，现在共有 %d 位朋友" % len(errors))
|
||
return errors |