使用Calibre将期刊博客文章制作成电子书时,如何去掉抓取文章时间(365天)和篇数(100)的限制呢?

2012-01-31 16:29:48 +08:00
 iray1991
介绍:
http://www.quhuashuai.com/2010/10/fetch-news-in-calibre/

方法:
http://manual.calibre-ebook.com/news.html

缺憾是RSS只能抓取一年以内且100篇以内,可否提取这个功能出来后去掉这个限制呢?
7205 次点击
所在节点    问与答
18 条回复
iray1991
2012-01-31 19:21:34 +08:00
切换到高级模式后显示:

class AdvancedUserRecipe1327999270(BasicNewsRecipe):
title = u'\u4f59\u665f'
oldest_article = 365
max_articles_per_feed = 100
auto_cleanup = True

feeds = [(u'\u4f59\u665f', u'http://www.luanxiang.org/blog/feed')]

我直接修改为:

class AdvancedUserRecipe1327999270(BasicNewsRecipe):
title = u'\u4f59\u665f'
oldest_article = 10000
max_articles_per_feed = 10000
auto_cleanup = True

feeds = [(u'\u4f59\u665f', u'http://www.luanxiang.org/blog/feed')]

结果显示:error

sigh~这是肿么回事?
iray1991
2012-01-31 20:15:45 +08:00
给开发者发了客服,刚收到回复:
calibre can fetch only as many articles as are present in the feed iteself.
That is seldom more than a year's worth.

status invalid

** Changed in: calibre
Status: New => Invalid

--
You received this bug notification because you are subscribed to the bug
report.
https://bugs.launchpad.net/bugs/924190

Title:
rss fetch number limited

Status in calibre: e-book management:
Invalid

Bug description:
the time of the feed is limited to 365 Day and I can get no more than 100 articles
can't I fetch longer and more articles?
Thx
0.8.34
win7
lifanxi
2012-02-01 15:02:06 +08:00
我曾经过试过你说的直接改oldest_article和max_articles_per_feed的方法,是可以达到期望的结果的。今天试了一下也没有能重现你的问题。

你能描述一下你所遇到的“Error”是什么吗?

另外,在用calibre新闻抓取功能时,要注意是不是受到了墙的干扰,尤其是抓国外的一些Feed或Google Reader时。
iray1991
2012-02-01 17:11:50 +08:00
@lifanxi
错误是显示在抓取的epub中的,显示:
<urlopen error [Errno 10060] >

检查了一下,确实有个feed是墙外的,无法输出:
但是对于两个墙内的feed:
http://www.luanxiang.org/blog/feed
http://www.write.org.cn/feed
当我修改这两个数值的时候也出现了同样的错误

根据你的回复我又试了一下一个墙内可见的,增大两个值都到10000:
http://www.zhihu.com/rss

这次没有出现以上错误,但是无论我如何增大那两个数值,最后输出的epub的内容都是一样的,似乎更改这两个值的最大值并没有效果;

你那边呢?能说说你的测试内容和修改内容,我这边再试试看
我的软件版本是0.8.34,是否需要升级?
lifanxi
2012-02-02 09:06:15 +08:00
http://www.luanxiang.org/blog/feed 这个是墙外的,会跳转到被墙的feedburner上,所以很可能抓取不成功。
http://www.write.org.cn/feed 访问有时候不流畅,会出错。如果流畅的话是可以的,改oldest_article明显是有效果的。
http://www.zhihu.com/rss 上内容比较新,所以默认就可以抓全。把参数再改大也没有用,还是抓这么多。请注意Kovid给你回复中说的:calibre can fetch only as many articles as are present in the feed iteself. 如果RSS本身没有足够老的输出,你再改oldest_article也没有用。
iray1991
2012-02-02 09:09:31 +08:00
@lifanxi
calibre can fetch only as many articles as are present in the feed iteself.
如果RSS本身没有足够老的输出,你再改oldest_article也没有用。

意思是只能抓取更新的部分?(因为这个feed在GR里拉取的话是可以拉取到500+的,包括之前看过的部分,但是calibre只能拉取10+)
iray1991
2012-02-02 11:07:28 +08:00
@iray1991 不知是否有可能写个豆瓣插件的?自动关联书库链接和评分之类。。
lifanxi
2012-02-02 11:18:45 +08:00
@iray1991
每个网站的RSS输出量都是非常有限的,一般就限在几十条的量级,这个输出量是网站方控制的。calibre如果直接抓网站的RSS的话,就最多只能抓到这么多。

如果某个网站的RSS在Google Reader中被某个人订阅过,那Google Reader的保存这个RSS所有的历史记录,即使网站实际输出的RSS中已经去掉了过期的内容,这些内容仍然会在Google Reader中保留。

所以如果你真要抓全,那就不能从原始网站的RSS去抓,可以考虑通过Google Reader代理一层。这个好像没有办法直接实现,不过应该可以通过修改calibre中的Google Reader新闻抓取清单来实现。我有空可以试试看。
lifanxi
2012-02-02 11:20:20 +08:00
@iray1991
豆瓣插件元信息下载插件不是老早就有了么?calibre安装时选中文界面时会自动启用。也可以在首选项->插件中手工启用。
lifanxi
2012-02-02 13:42:57 +08:00
改了一个Recepie,可以通过Google Reader下载所有的历史文章。

先修改下面代码中的rssFeeds=['http://www.freemindworld.com/blog/feed.rss']'中的RSS地址,改成你想要的。如果有多个,可以用引号逗号隔开。比如:

rssFeeds=['http://www.luanxiang.org/blog/feed','http://www.write.org.cn/feed']

需要的话可以改一下max_articles_per_feed和oldest_article值,也许现在的默认值太大,会抓到太多的文章。

把改好的代码直接贴到自定义订阅清单的高级模式中即可。

在下载前,还要在"定期新闻下载"对话框中该订阅清单的"日程表"中输入你的Google帐号和密码。

然后就可以点“立即下载”按钮了。

注意,用这个订阅清单(包括别的所有needs_subscription = True的订阅清单)时,在下载任务的日志中会明文输出你输入的帐户和密码,所以如果要把日志往外帖的时候,注意把这些敏感信息清除掉。


import urllib, re, mechanize
from calibre.web.feeds.recipes import BasicNewsRecipe
from calibre import __appname__

class FullFeedViaGoogleReader(BasicNewsRecipe):
title = 'Full Feed Via Google Reader'
description = 'Fetches full feed articles from Google Reader'
needs_subscription = True
__author__ = 'davec, rollercoaster, Starson17, lifanxi'
base_url = 'https://www.google.com/reader/atom/feed/'
oldest_article = 10000
max_articles_per_feed = 10000
use_embedded_content = True

def get_browser(self):
br = BasicNewsRecipe.get_browser(self)
if self.username is not None and self.password is not None:
request = urllib.urlencode([('Email', self.username), ('Passwd', self.password),
('service', 'reader'), ('accountType', 'HOSTED_OR_GOOGLE'), ('source', __appname__)])
response = br.open('https://www.google.com/accounts/ClientLogin', request)
auth = re.search('Auth=(\S*)', response.read()).group(1)
cookies = mechanize.CookieJar()
br = mechanize.build_opener(mechanize.HTTPCookieProcessor(cookies))
br.addheaders = [('Authorization', 'GoogleLogin auth='+auth)]
return br

def get_feeds(self):
rssFeeds = ['http://www.freemindworld.com/blog/feed.rss']
feeds = [ self.base_url + f + ('?n=%d' % self.max_articles_per_feed) for f in rssFeeds ]
return feeds
lifanxi
2012-02-02 13:50:57 +08:00
代码帖过来缩进都没有了...请从下面的地址重新获取代码:
http://www.freemindworld.com/tmp/fullfeed.txt
iray1991
2012-02-04 08:51:08 +08:00
@lifanxi

done:)
还有一些小问题:

1
因为是通过https的GR抓取,是否意味着可以抓取墙外的内容?

2
对于某些feed,如http://www.shu0.net/?feed=rss2,当我采用传统抓取方法(即不使用recipe)时抓取内容正常.

但是使用上面的recipe后,则显示:

Failed feed: https://www.google.com/reader/atom/feed/http://www.shu0.net/?feed=rss2?n=10000

HTTP Error 404: Not Found


recipe如下:

import urllib, re, mechanize
from calibre.web.feeds.recipes import BasicNewsRecipe
from calibre import __appname__

class FullFeedViaGoogleReader(BasicNewsRecipe):
title = 'Full Feed Via Google Reader 2'
description = 'Fetches full feed articles from Google Reader'
needs_subscription = True
__author__ = 'davec, rollercoaster, Starson17, lifanxi'
base_url = 'https://www.google.com/reader/atom/feed/'
oldest_article = 10000
max_articles_per_feed = 10000
use_embedded_content = True

def get_browser(self):
br = BasicNewsRecipe.get_browser(self)
if self.username is not None and self.password is not None:
request = urllib.urlencode([('Email', self.username), ('Passwd', self.password),
('service', 'reader'), ('accountType', 'HOSTED_OR_GOOGLE'), ('source', __appname__)])
response = br.open('https://www.google.com/accounts/ClientLogin', request)
auth = re.search('Auth=(\S*)', response.read()).group(1)
cookies = mechanize.CookieJar()
br = mechanize.build_opener(mechanize.HTTPCookieProcessor(cookies))
br.addheaders = [('Authorization', 'GoogleLogin auth='+auth)]
return br

def get_feeds(self):
rssFeeds = ['http://www.shu0.net/?feed=rss2']
feeds = [ self.base_url + f + ('?n=%d' % self.max_articles_per_feed) for f in rssFeeds ]
return feeds)
非常感谢你的解答!
lifanxi
2012-02-04 15:15:09 +08:00
@iray1991

如果feed的URL中有“?”的话,要替换成%3F。
> rssFeeds = ['http://www.shu0.net/%3Ffeed=rss2']

用https确实可以解决一部分墙的问题,不过在这个使用场景下没有太大的用处。因为calibre在抓RSS时,是忽略RSS中嵌入的正文的,它是直接跟据RSS中的link去原始网站抓页面内容的,所以那里的link如果被墙,那就还是抓不下来。我一直想改个recipe直接采集RSS的正文,不过还没搞。另外,Google本身的https访问也并不是非常稳定的。所以,还是用VPN或代理比较靠谱。
iray1991
2012-02-06 12:53:35 +08:00
@lifanxi
或许能通过instapaper,readitlater或是klip.me这类的服务能够实现全文?
see:
1 http://www.mobileread.com/forums/showthread.php?t=143343&highlight=instapaper
(这个有篇数限制,修改max值无效,是feed自身的限制吧?
2 http://www.mobileread.com/forums/showthread.php?t=166089
(这个登录有问题,我找不到登陆信息输入口,能指点一下?)
PS:
1 如果我想同时下载两个以上的feed应该在哪里修改订阅清单名称呢?(不大喜欢喜欢将几个feed加入同一个清单,这样只能依次下载;同时几个清单下载会快一点)
2 通过GR这个recipe的话,公网下下载很慢,我用了Goagent代理后速度也快不起来,有解决方法吗?VPN或者换一个响应GR更快的DNS?
lifanxi
2012-02-06 22:19:52 +08:00
@iray1991
1. 我也不知道,我不用Instapaper,注册了扔了几个页面进去抓了下好像没问题。抓到的文章应该跟http://www.instapaper.com/u这个页面上显示出来的文章数一样,与RSS无关。
2.我试了User,Name,PIN和Google密码的各种组合,好像都不成功。我也不知道该怎么办了...这个网站是用Google的OAuth的,不知道如果做Basic Auth时应该用什么信息做验证。

PS.
1. title = 'Full Feed Via Google Reader 2'
把这个改了就行
2. 这个完全跟你访问Google以及RSS源中的网站的速度有关,跟软件无关。goagent不快的话你是可以考虑换vpn试试,反正只要你总体的网速越快越好。正常情况下,DNS在这个过程中对速度的影响应该不会占到主导因素。
akax
2012-04-19 22:25:22 +08:00
@lifanxi 谢谢提供这些资料 我正想找个工具把GoogleReader导出来,这下一举两得 还做成了电子书 。上面的rss地址里的"http://"必须写成“http%3A%2F%2F”,还有这个方法应该能导出GR离得一个文件夹么?
iray1991
2012-04-20 11:29:48 +08:00
@akax 下载后可以共享出来:)
我这边网速很慢,使用加密连接后就更慢了:(
akax
2012-04-20 11:57:31 +08:00
@iray1991 速度还可以接受 应该是制作epub过程比较耗时间吧 我是学校的2M网

这是一个专为移动设备优化的页面(即为了让你能够在 Google 搜索结果里秒开这个页面),如果你希望参与 V2EX 社区的讨论,你可以继续到 V2EX 上打开本讨论主题的完整版本。

https://www.v2ex.com/t/26303

V2EX 是创意工作者们的社区,是一个分享自己正在做的有趣事物、交流想法,可以遇见新朋友甚至新机会的地方。

V2EX is a community of developers, designers and creative people.

© 2021 V2EX