↓快轉到主要內容
  1. 教學文章/

不必每天開十個網站:用 Python 做一份 RSS 訂閱摘要

·8 分鐘· loading · loading · ·
Python RSS Atom Feedparser 自動化
每日拍拍
作者
每日拍拍
科學家 X 科技宅宅
目錄
Python 學習 - 本文屬於一個選集。
§ 161: 本文

一. 前言:先看有沒有更新,再決定要不要點進去
#

早上開電腦,先看幾個部落格,再看工具更新。 每個網站都點一次,結果只有兩個有新文章。 還沒開始讀,時間就先花在「確認有沒有東西可讀」上。

拍拍君今天想把這件事變簡單: 把不同網站提供的更新清單,整理成一份本機 Markdown。

成品大概長這樣:

# 我的訂閱閱讀清單

- [把照片縮小再寄出](<https://example.com/photos>) — 拍拍君筆記
- [整理下載資料夾](<https://example.com/files>) — 拍拍君筆記
- [試試新的筆記方法](<https://example.com/notes>) — 拍拍醬工具箱

這裡的「摘要」是訂閱項目的彙整,不是 AI 改寫文章。 我們只收標題、原文連結和來源;真正閱讀還是回原網站。 不需要模型、不需要帳號,也不需要架一個網站。

二. 先做出成果:下載練習包
#

下載完整練習包,解壓縮到一個新的資料夾。 裡面有三支 Python 程式和固定版本的需求檔:

rss-reading-practice/
├── make_samples.py
├── digest.py
├── fetch_feed.py
├── requirements.txt
└── README.md

先用我們自己產生的假訂閱練習。 example.com 是範例網址,不用連上它,也沒有文章可下載。

在解壓後的資料夾開終端機,建立環境:

python3 -m venv .venv
source .venv/bin/activate
python -m pip install -r requirements.txt
python make_samples.py
python digest.py

Windows 可以用 py -m venv .venv 建立環境; PowerShell 的啟用指令是 .venv\Scripts\Activate.ps1。 若終端機不能啟用,也可以直接執行 .venv\Scripts\python.exe。 後面指令中的 python 都是這個虛擬環境裡的 Python。

這次使用 feedparser==6.0.14。 初次安裝需要網路,安裝完成後的範例執行不需要。

你會看到:

已建立 news.xml、tools.xml
已寫入 reading-list.md:3 篇

用 VS Code 的 Markdown 預覽開啟 reading-list.md, 就能看見文章開頭的清單。 你也可以用任何文字編輯器打開,不必另外安裝閱讀 App。

第一次先確認三件事:有三篇、重複標題只出現一次、每篇都有來源。 注意,真正判斷重複的是相同連結,不是標題文字。

三. RSS、Atom 是什麼?不用自己拆 XML
#

RSS 可以想成網站提供給訂閱工具的「更新目錄」。 一個項目通常包含標題、連結,可能還有日期與簡介。 Atom 是另一種常見的訂閱格式,功能類似,結構不同。

網站若有 RSS、Feed、訂閱等連結,可以先點開看看。 你看到的可能是一整頁 XML,而不是漂亮的網頁;這很正常。 但不是所有網站都有訂閱,也不是首頁網址加上 /rss 就一定能用。

我們的第一個來源 news.xml 是 RSS:

<item>
  <title>把照片縮小再寄出</title>
  <link>https://example.com/photos</link>
  <guid>https://example.com/photos</guid>
</item>

第二個 tools.xml 是 Atom,它的連結長得不同:

<entry>
  <title>整理下載資料夾</title>
  <id>https://example.com/files</id>
  <updated>2026-11-21T00:00:00Z</updated>
  <link href="https://example.com/files"/>
</entry>

上面兩段只是格式片段,不是完整檔案。 完整 XML 已由 make_samples.py 建立,包含必要的外層結構。

不用為兩種格式各寫一套字串切割。 feedparser 官方介紹 說明了 parse() 可以接受本機檔案、資料內容或 URL。 這裡傳入檔案的 bytes,讓下載與解析先分開練習。

建立 peek.py,看一下解析結果:

from pathlib import Path
import feedparser

parsed = feedparser.parse(Path('news.xml').read_bytes())
print(parsed.feed.get('title', '未命名來源'))
for entry in parsed.entries:
    print(entry.get('title', '未命名文章'))
    print(entry.get('link', '沒有連結'))

執行 python peek.py,會先看到「拍拍君筆記」,再看到兩篇文章。 把檔名換成 tools.xml,迴圈一樣能讀。 這就是套件替我們處理格式差異的地方。

四. 完整程式:把兩份訂閱合在一起
#

以下就是練習包的 digest.py,可以直接存檔使用。 所有檔案都以目前終端機所在資料夾為基準,執行前先切到練習目錄。

from html import escape
from pathlib import Path
from urllib.parse import urlsplit, quote

import feedparser

SOURCES = ['news.xml', 'tools.xml']
LIMIT = 10


def label(value):
    text = ' '.join(str(value).split())
    # Markdown 的連結標籤也要保護括號與特殊符號。
    text = escape(text, quote=False)
    for char in ('\\', '[', ']', '*', '_', '`'):
        text = text.replace(char, '\\' + char)
    return text


def collect(sources, limit):
    if limit <= 0:
        return []
    seen = set()
    rows = []
    for filename in sources:
        parsed = feedparser.parse(Path(filename).read_bytes())
        if parsed.bozo:
            raise ValueError(f'{filename} 不是完整可解析的訂閱檔')
        source = parsed.feed.get('title', Path(filename).stem)
        for entry in parsed.entries:
            link = entry.get('link', '').strip()
            parts = urlsplit(link)
            if parts.scheme not in ('https', 'http') or not parts.netloc:
                continue
            if link in seen:
                continue
            seen.add(link)
            rows.append((entry.get('title') or '未命名文章', link, source))
            if len(rows) >= limit:
                return rows
    return rows


def render(rows):
    lines = ['# 我的訂閱閱讀清單', '']
    for title, link, source in rows:
        # 用角括號包住目的地;編碼會破壞語法的字元。
        target = quote(link, safe=":/?#[]@!$&'*+,;=%~.-_")
        lines.append(f'- [{label(title)}](<{target}>) — {label(source)}')
    if not rows:
        lines.append('這次沒有可列出的文章。')
    return '\n'.join(lines) + '\n'


def main():
    rows = collect(SOURCES, LIMIT)
    with Path('reading-list.md').open('x', encoding='utf-8') as file:
        file.write(render(rows))
    print(f'已寫入 reading-list.md:{len(rows)} 篇')


if __name__ == '__main__':
    main()

SOURCES 的順序就是閱讀優先順序。 程式先讀 news.xml 的項目,再讀 tools.xml。 這份範例沒有按日期排序,也不保證是所有來源中最新的十篇。

LIMIT = 10 是總篇數上限,不是每個來源各十篇。 若第一個來源就有十篇,後面的來源不會被列入。 這種簡單規則適合先把常看的網站排前面。 想讓每個來源公平分到篇數,可以留到下一次自己改版。

去重:同一個連結只留第一次
#

兩份練習訂閱都包含 https://example.com/files。 第一次遇到時放進清單,第二次遇到就略過。 所以兩份各兩篇,最後只得到三篇。

相同標題但不同連結,仍然是兩個項目。 同一篇文章若帶不同追蹤參數,也可能被當成兩篇。 我們沒有偷偷刪掉 URL 參數,因為參數有時真的決定內容。

seen 只存在這次執行的記憶體中。 它不是「我讀過哪些文章」的永久紀錄。 下次重跑,來源裡仍存在的項目還是會再出現。

輸出:只建立新檔,不蓋掉你寫的筆記
#

open('x') 代表檔案已經存在就停止。 如果你在清單裡加了心得,重跑不會直接把它洗掉。

要再產生一份,先把舊檔重新命名,例如改為 reading-list-old.md, 或修改程式裡的輸出檔名。 make_samples.py 也採用不覆寫模式;固定樣本只需要建立一次。

標題可能帶中括號、星號甚至 HTML。 label() 把這些當文字保護起來,避免破壞 Markdown 連結。 目的地只保留 HTTP/HTTPS 連結,並編碼會干擾語法的字元。 這不是抓取全文或渲染訂閱裡的 HTML。

五. 換成真的網站:先下載,再解析
#

已經看過固定成品,再試真實來源會比較不慌。 先去你常看的網站找它自己提供的訂閱網址。 不要把一般文章頁、搜尋頁或登入頁直接貼進來。

練習包的 fetch_feed.py 使用 Python 官網的公開訂閱, 你可以換掉 URL,保留其餘程式:

from pathlib import Path
from urllib.request import Request, urlopen

import feedparser

URL = 'https://blog.python.org/feeds/posts/default?alt=rss'
request = Request(URL, headers={'User-Agent': 'ReadingListPractice/1.0'})
with urlopen(request, timeout=15) as response:
    data = response.read(2_000_001)
if len(data) > 2_000_000:
    raise ValueError('訂閱檔超過練習用的 2 MB 上限')
parsed = feedparser.parse(data)
if parsed.bozo or not parsed.entries:
    raise ValueError('不是可使用的訂閱檔,請確認網站提供的訂閱網址')
with Path('live.xml').open('xb') as file:
    file.write(data)
print(f'已下載 live.xml:{len(parsed.entries)} 篇')

執行下載:

python fetch_feed.py

成功後會多出 live.xml。 這是當下拿到的訂閱快照,文章數量會隨網站改變。 它不會自動持續更新,也不會取回網站所有歷史文章。

把 digest.py 的來源改成:

SOURCES = ['live.xml', 'news.xml', 'tools.xml']

先替既有的 reading-list.md 改名,再執行 python digest.py。 此時真實來源排第一個,後面兩個仍然是練習資料。 確認沒問題,就可以從列表移除兩個練習來源。

下載程式使用 15 秒 timeout,並限制這次讀取的資料大小。 這不是整個工作的精準 15 秒倒數,但能避免一般連線一直等。 網站可能暫時離線、搬家、限制請求;失敗時保留原有檔案,先確認網址。 不需要因為某站沒有 RSS,就把這個小練習改成大型爬蟲。

六. 常見問題:結果跟想像不一樣時
#

為什麼看到 FileExistsError?
#

通常表示同名輸出已存在,是刻意保護檔案的設計。 先檢查舊檔需不需要保留,再改名或指定新的輸出名稱。 不要為了省事就把整個資料夾清空。

為什麼少了某些文章?
#

先看來源是否排在前面、總上限是否太小。 接著確認項目是否和前面有相同連結,或根本沒有可用的 HTTP 連結。 訂閱本來就可能只提供最近幾篇,不等於網站所有內容。

為什麼拒絕解析某個來源?
#

程式看到 bozo 就停下來,這是本篇採取的保守做法。 官方文件 指出 feedparser 有時仍能解析不完整的來源,並以這個旗標標記問題。 所以它不一定表示「完全讀不到」,也不一定是你寫錯 Python。

先用文字編輯器看看下載的是 XML,還是網站的錯誤訊息。 這份練習選擇請你檢查來源,而不是悄悄輸出一份不完整清單。

能把文章內容也顯示出來嗎?
#

有些來源提供簡介,有些提供全文,有些只有標題。 這篇沒有輸出 summary,也不宣稱能補齊缺少的內容。 先讓清單保持精簡,需要閱讀時再點回原文即可。

七. 結語:把巡網站的時間留給閱讀
#

今天的成果不是一套訂閱平台,而是一個你能看懂的小工具。 兩種訂閱格式進來,一份有來源、可點連結的閱讀清單出去。

拍拍君建議先放兩三個真的會讀的網站。 手動下載、手動執行就夠用,不必第一天就加排程、寄信與資料庫。 等你真的開始使用,才會知道想改的是排序、分類,還是篇數。

能替每天省下幾次無效點擊,就是一個很實在的 Python 成果。📝

延伸閱讀
#

Python 學習 - 本文屬於一個選集。
§ 161: 本文

相關文章

PDF 太多份?用 Python 合併、拆分與抽出指定頁
·6 分鐘· loading · loading
Python Pypdf PDF 日常自動化
不用一直複製貼上:把網頁表格整理成 CSV
·8 分鐘· loading · loading
Python BeautifulSoup HTML CSV 日常自動化
照片太大寄不出去?用 Python 批次縮圖與壓縮
·8 分鐘· loading · loading
Python Pillow 照片縮圖 圖片壓縮 日常自動化
不想再複製貼上:用 Python 合併多個 Excel 表格
·8 分鐘· loading · loading
Python Openpyxl Excel 辦公室自動化
Python subprocess 超時治理:POSIX Process Group、升級終止與輸出收尾
·7 分鐘· loading · loading
Python Subprocess POSIX Process Groups Timeout Testing
Python SQLite 線上備份:WAL、Connection.backup 與還原驗收
·7 分鐘· loading · loading
Python SQLite WAL Backup Restore Testing