如何使用读取从 rss xml 解析额外的属性

我想解析来自 Jackett 的数据，最初我尝试使用 flexget，但我需要提取各种插件中不存在的数据，所以我从这个小脚本开始尝试解析这些额外的数据。我的rss是这样的

<?xml version="1.0" encoding="UTF-8"?>
<rss version="1.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:torznab="http://torznab.com/schemas/2015/feed">
<channel>
<atom:link href="http://jackett:9117/" rel="self" type="application/rss+xml" />
<title>site description</title>
<description>A general italian tracker</description>
<link>https://site.some/</link>
<language>en-us</language>
<category>search</category>
<image>
<url>http://jackett:9117/logos/site.png</url>
<title>site description</title>
<link>https://site.some/</link>
<description>site description</description>
</image>
<item>
<title>Pinnacle Studio Ultimate v23 0 1 177 64 Bit Content Pack</title>
<guid>https://site.some/index.php?page=torrent-details&amp;id=id</guid>
<jackettindexer id="site">site description</jackettindexer>
<comments>https://site.some/index.php?page=torrent-details&amp;id=id</comments>
<pubDate>Mon, 26 Aug 2019 18:47:48 +0200</pubDate>
<size>4778150912</size>
<grabs>4</grabs>
<description />
<link>http://jackett:9117/dl/site/?jackett_apikey=apikey&amp;path=Q2ZESjhIOTlRbnNBaTlsTXBueG41dVNtYWFqVjlsbTFockNDVXRieE5OYXRQYTdnclc4Zmc2dGJVNlFiQ01SVW9Wbm9yblJaZnhWXy0wSnVocHRISGxkYmNQLVQ5aWh6S1RORWtqMmwzMTlvTUFNZHlrV1c2czBlbjhNczlFa3VuQ1RxVjRsTkM0UGxRc2RUYzllR0tJaTBVMFFtMWc0UHIybnl0eFVkbGZqcUxuR1BPRDN0MGYwWUNNcVZ5d3NWazgta0Z0SkdrUUZIYnpZZWpUOTA1V2F5b1JGMEpTWlZVSzN0bVkzYzFMU09BLTlBck54bERpRU0yZ3lNTzkwcDU3amhNWE1MOXZmWFhLSEJaa1gwWEpWMHFYUFRfMFMtSlJQX05oalRMNmtpTlc4S0NueDF6c1VZazZfTkg0bE1IZFF5cEE&amp;file=Pinnacle+Studio+Ultimate+v23+0+1+177+64+Bit+Content+Pack</link>
<category>4010</category>
<category>100007</category>
<enclosure url="http://jackett:9117/dl/site/?jackett_apikey=apikey&amp;path=Q2ZESjhIOTlRbnNBaTlsTXBueG41dVNtYWFqVjlsbTFockNDVXRieE5OYXRQYTdnclc4Zmc2dGJVNlFiQ01SVW9Wbm9yblJaZnhWXy0wSnVocHRISGxkYmNQLVQ5aWh6S1RORWtqMmwzMTlvTUFNZHlrV1c2czBlbjhNczlFa3VuQ1RxVjRsTkM0UGxRc2RUYzllR0tJaTBVMFFtMWc0UHIybnl0eFVkbGZqcUxuR1BPRDN0MGYwWUNNcVZ5d3NWazgta0Z0SkdrUUZIYnpZZWpUOTA1V2F5b1JGMEpTWlZVSzN0bVkzYzFMU09BLTlBck54bERpRU0yZ3lNTzkwcDU3amhNWE1MOXZmWFhLSEJaa1gwWEpWMHFYUFRfMFMtSlJQX05oalRMNmtpTlc4S0NueDF6c1VZazZfTkg0bE1IZFF5cEE&amp;file=Pinnacle+Studio+Ultimate+v23+0+1+177+64+Bit+Content+Pack" length="4778150912" type="application/x-bittorrent" />
<torznab:attr name="category" value="4010" />
<torznab:attr name="category" value="100007" />
<torznab:attr name="seeders" value="4" />
<torznab:attr name="peers" value="6" />
<torznab:attr name="minimumratio" value="1" />
<torznab:attr name="minimumseedtime" value="172800" />
<torznab:attr name="downloadvolumefactor" value="1" />
<torznab:attr name="uploadvolumefactor" value="1" />
</item>
</channel>
</rss>

所以最初我的第一个想法是解析每个部分以提取信息，所以我想出了这个

#!/bin/bash
xmlgetnext () {
local IFS='>'
read -d '<' TAG VALUE
}
# /data/Varie/Scripts/mmm

cat /data/Varie/Scripts/mmm | while xmlgetnext ; do
case $TAG in
'item')
title=''
link=''
description=''
downloadvolumefactor=''
;;
'title')
title="$VALUE"
;;
'link')
link="$VALUE"
;;
'downloadvolumefactor')
downloadvolumefactor="$VALUE"
;;
'/item')
cat<<EOF
------------------------------
Title: $title
Link: $link
Custom value: $downloadvolumefactor
------------------------------
EOF
;;
esac
done

因此，读取在第一个<后开始并读取到下一个><然后设置>TAG和VALUE

直到这里对我来说还可以，问题是我找不到提取下载量因子的方法，因为该值的格式不像标准。

我的第一个想法是在解析之前修改 rss，所以也许我可以使用替换正则表达式进行转换

<torznab:attr name="uploadvolumefactor" value="1" />

到

<downloadvolumefactor>1</downloadvolumefactor>

你有更好的主意吗？

这是一个简单的awk(标准 Linux gnu awk 或 gawk(脚本，它解决了将输入文件扫描为纯文本的问题。

script.awk

match($0,"<title>[^<]*", arr) {title=substr(arr[0],8)}   # read title line
match($0,"<link>[^<]*", arr) {link=substr(arr[0],7)}     # read link line
match($0,/uploadvolumefactor" value="[^"]/, arr) {valueFactor=substr(arr[0],28)} # read valueFactor line
/</item>/ { # ouput values on item element termination
print "------------------------------";
print "Title: "title;
print "Link: "link;
print "Custom value: "valueFactor;
print "------------------------------";
}

运行：

awk -f script.awk input.xml

提供了问题中的input.xml。

输出：

------------------------------
Title: Pinnacle Studio Ultimate v23 0 1 177 64 Bit Content Pack
Link: http://jackett:9117/dl/site/?jackett_apikey=apikey&amp;path=Q2ZESjhIOTlRbnNBaTlsTXBueG41dVNtYWFqVjlsbTFockNDVXRieE5OYXRQYTdnclc4Zmc2dGJVNlFiQ01SVW9Wbm9yblJaZnhWXy0wSnVocHRISGxkYmNQLVQ5aWh6S1RORWtqMmwzMTlvTUFNZHlrV1c2czBlbjhNczlFa3VuQ1RxVjRsTkM0UGxRc2RUYzllR0tJaTBVMFFtMWc0UHIybnl0eFVkbGZqcUxuR1BPRDN0MGYwWUNNcVZ5d3NWazgta0Z0SkdrUUZIYnpZZWpUOTA1V2F5b1JGMEpTWlZVSzN0bVkzYzFMU09BLTlBck54bERpRU0yZ3lNTzkwcDU3amhNWE1MOXZmWFhLSEJaa1gwWEpWMHFYUFRfMFMtSlJQX05oalRMNmtpTlc4S0NueDF6c1VZazZfTkg0bE1IZFF5cEE&amp;file=Pinnacle+Studio+Ultimate+v23+0+1+177+64+Bit+Content+Pack
Custom value: 1
------------------------------

使用 xml 感知工具。

xmllint --xpath 'string(//*[name()="torznab:attr" and @name="downloadvolumefactor"]/@value)' /data/Varie/Scripts/mmm

将返回：

不要使用正则表达式解析 xml 文件。

如果必须这样做，当必须这样做时，使用awk或sed或grepcut和类似内容过滤它会更容易：

sed -nr '/.*<torznab:attr name="uploadvolumefactor" value="([^"]*).*/s//1/p' /data/Varie/Scripts/mmm

虽然读取循环非常慢，但最好使用其他工具。如果文件格式稳定并且您无法获得xmllint或其他 xml 感知工具，我会使用sed来准备它 - 读取一行，从中提取信息，添加以保留空间，继续读取和解析，直到遇到</item>。但是使用xml感知工具将是安全的，并且不易出错。

相关内容

最新更新

热门标签：