如何获取RSS的历史记录

发表于 | 分类于 | 阅读次数:

很多Blog，网站都支持RSS订阅。但一般RSS都仅支持当前的N条(由网站的RSS功能设定)记录，无法获取全部(网站的RSS功能设定中可以打开全部)或者历史记录。

当然网站的RSS功能中可以打开全部记录，但这样内容就会非常庞大，违反了RSS的本意。

而通常我们用一些RSS工具时，例如feedly，或者inoreader的时候，他却能获取某一个RSS除去当前内容的额外历史内容。那他们是怎么做到的呢？个人猜想，他们肯定是由自己的系统保存了历史的RSS内容，因此你可以查阅到。

最近在做一个类似RSS的阅读器，当然也希望自己的RSS阅读器能够支持历史内容的读取，那么如何去获取这些历史的内容呢。Google之后查阅所得，是通过https://web.archive.org/。如果该RSS的内容被https://web.archive.org/快照保存过，那么你可以通过https://web.archive.org/来或者这些历史RSS的内容。

我们以“唐巧的博客”的RSS来举例，http://blog.devtang.com/atom.xml的内容大概包含20条博客的内容，最旧的内容是2017-09-02发布的“我理解的 ICO”这篇文章，那么我们怎么获取2017年-09-02之前发布的博客内容呢？

去https://web.archive.org/网站查询http://blog.devtang.com/atom.xml是否有快照保存。

从上图你可以看到http://blog.devtang.com/atom.xml从2012年开始被快照很多次，你可以点击被快照的日期，获取快照的内容。

当然我们不能手工去做这些事情。https://web.archive.org/提供了相应的API。(具体的请参考网站的https://archive.org/help/wayback_api.php以及https://github.com/internetarchive/wayback/tree/master/wayback-cdx-server)

首先当然是搜索：
http://web.archive.org/cdx/search/cdx?url=http://blog.devtang.com/atom.xml&output=json

通过搜索API，我们可以获取当前网站被快照的所有列表，以及时间戳。

在知道时间戳以后，我们可以根据时间戳来获取RSS快照的内容，API如下：
https://web.archive.org/web/时间戳/RSS地址，例如：
https://web.archive.org/web/20120407110150/http://blog.devtang.com/atom.xml

后续的处理：
在获取历史的RSS内容之后，在解析RSS时后，遇到了不少问题，主要包括：

  1. RSS内容里插入了由https://web.archive.org/web生成的javascript代码

    处理方案，删除这部分javascript代码.

  2. RSS内容有问题
    • 我遇到的有“![CDATA[]]>”表述为“![CDATA[]>”缺少了一个”]”引起的问题。
    • 包含无法解析的控制符号，例如0x08,0x0F, 0x0C,0x1F等等。这类错误类似“Input is not proper UTF-8, indicate encoding !”。
    • 还遇到过<[Item]]>这种多了一个“]”的笔误导致的整个RSS无法被解析的问题。

处理方案：当然是出替换成对应的正确的描述，或者把无法解析的控制符号删除。