利用Huginn抓取任意网站RSS和微信公众号更新-打造一站式信息阅读平台
Huginn其实非常适合像我这样的RSS阅读重度“用户”。很多RSS阅读器因为赚不到钱逐渐被公司所抛弃——商人嘛,无利可图自然不可持久。同时,一些新闻资讯类的网站也讨厌RSS,因为RSS用户对于他们来说不会带来流量——没有流量,自然没有收入。
目前来看,RSS的地位非常地“尴尬”,它在RSS开发者和RSS内容输出者面前非常不受欢迎,甚至有极端者“恨不得RSS已死”。幸好,RSS还有一大批忠实用户,一直支撑着RSS的发展,即便是移动APP的出现,也未能直接将RSS判定为“死亡”。
另外,对于微信公众号重度“患者”Huginn也有很好的“药方”。利用搜狐微信平台,Huginn可以帮助我们定时抓取微信公众号的文章更新,然后生成RSS,你可以将所有的公众号文章聚合到一个平台。Huginn可以为你抓取RSS全文,从此解放你的双手。
Huginn还可以监控天气预报,如果明天下雨,则给你发送提醒;监控某款商品的网页,一旦降价,通知你;监控某款商品的网页,一旦降价,通知你……官方还有非常多的应用实例,网友们也写出了非常多的Huginn脚本,帮助你打造一个只属于自己的IFTTT服务。
有人说,在某种程度上讲,Huginn比IFTTT还强大,因为Huginn可以与Slack、Pushbullet等进行整合,这样无论在身处何地何时,你都可以通过手机接收到Huginn给抓取的网站RSS更新、微信公众号文章、天气提醒、行程安排、待办事项、新闻动态……
- 三大免费工具助你检测VPS服务器真伪-VPS主机性能和速度测试方法
- Lsyncd搭建同步镜像-用Lsyncd实现本地和远程服务器之间实时同步
- 新版BT.cn宝塔VPS主机面板建站使用体验-清爽傻瓜式操作功能全面
PS:2017年10月31日更新,感觉Huginn麻烦的朋友,可以试试这一款免费的在线抓取全文RSS工具:生成和订阅任意网站RSS工具-实现RSS全文,邮箱和手机APP提醒。
一、Huginn安装部署方法
Huginn安装部署官网推荐有两种方式,一种是将Huginn安装部署在自己的VPS主机上,过程比较繁琐,但是成功率还是非常高,这主要归功于Huginn官网的教程已经做到了傻瓜式。另一种则是部署在Heroku平台,免费的,适合没有自己的服务器的朋友。
1.1 VPS部署Huginn
Huginn部署VPS主机支持Ubuntu (16.04, 14.04 and 12.04)和Debian (Jessie and Wheezy),你只要按照官网的教程一步一步地复制执行命令,基本上可以成功了:Huginn在Debian/Ubuntu手动安装教程-抓取全文RSS和微信公众号开源软件。
1.2 Heroku部署Huginn
需要的东西
- Codeanywhere 账号:https://codeanywhere.com/
- Heroku 账号:http://herokuapp.com/
部署步骤
登陆 Huginn Github 主页的 Deployment 部分:https://github.com/huginn/huginn#deployment,找到 Heroku 的按钮。然后点击,就会跳转到你的 Heroku 了。
点完按钮之后会跳转到你的 Heroku 界面去起个名字。直接拉到最后点 Deploy 的按钮,之后它就会开始 build 了。
创建好了后,点击 View 就直接跳转到已经建立好的应用了。Manage App 会跳转到 Heroku 管理界面。点击 View后可以看到 Huginn 很人性化的把步骤贴出来了。由于我们用的是自动安装,所以没有创建管理员用户,也有一些东西需要配置。(可以看到已经可以访问域名了)
现在我们对照着 Huginn 的说明来做。登陆 Codeanywhere,点击右上角的 Editor。会进入一个选择界面,如截图。
第一次的话点完 Create 会让你验证邮箱,验证完邮箱对着上图再做一遍就可以了。我们首先要下载新版本的 ruby 环境。
打开huginn.sh:https://github.com/tesths/tesths.github.com/blob/master/images/huginn/huginn.sh,复制到 Codeanywhere 的文件编辑器里。然后点击右上角保存。保存到根目录下,文件名保存为 huginn.sh。
然后在你的 Heroku 界面找到下图的地方,在以下地方将code-huginn换成你自己的名字。(点击放大)
然后执行脚本 huginn.sh,命令:bash huginn.sh。执行完毕之后,进行如下操作即可:
- 先进入
cd code-huginn/
(这里的 code-huginn 输入你刚替换的名字就好)。 - 在命令行登陆你的 heroku ,就是在命令行输入
heroku login
。 - 之后执行
heroku git:remote -a code-huginn
。 - 最后执行
bin/setup_heroku
。剩下的就是开始自动配置了。
heroku空间几点说明:
- heroku免费账户的网站在30分钟内无人访问后会自动关闭(休眠),可以使用网站监控服务来防止其休眠,例如:uptimerobot:https://uptimerobot.com。
- heroku免费用户的所有app运行总时长为每个月550小时,也就是说你的APP无法保证30X24X7小时全天候运行,建议让网站每天只运行18小时。当然添加信用卡之后,会再赠送450小时。
- heroku免费账户只有5M的 Postgres 数据库,只允许在数据库中记录10000行,因此,作者建议设置
heroku config:set AGENT_LOG_LENGTH=20
。 - Huginn安装在heroku的过程中默认使用的是SendGrid的邮箱服务器,但是heroku非信用卡用户无法使用SendGrid的邮箱服务器,建议添加其它邮箱服务器,比如,gmail邮箱服务器,具体设置如下:
heroku config:set SMTP_DOMAIN=google.com heroku config:set SMTP_USER_NAME=<你的gmail邮箱地址> heroku config:set SMTP_PASSWORD=<邮箱密码> heroku config:set SMTP_SERVER=smtp.gmail.com heroku config:set EMAIL_FROM_ADDRESS=<你的gmail邮箱地址>
二、Huginn抓取任意网站RSS并输出全文
2.1 抓取文章RSS
进入到Huginn,点击新建Agent,类型选择Website Agent,名字随便取,其它的保持默认。
填写选项内容。在选项中就是我们填写抓取规则的地方了。
- url填入需要解析的页面,例如:wzfou.com
- type表示格式,可以有html, xml, json, text多种格式
- mode表示信息的输出处理方式,“on_change”表示仅输出下面的内容,”merge”表示新内容和输入的agent内容合并。
- extract是我们要提取的信息。
extract内容。主要就是标题、链接、内容和时间等,我们只需要填写相关内容的Xpath路径,另外对于链接的话加入值:value: @href,标题加入:value: normalize-space(.)。如下图:(点击放大)
关于获取网页的Xpath的方法,直接使用Chrome,右击我们要获取的内容,然后选择“审查元素”,再到控制面板右击,选择复制Xpath。例如wzfou.com的最新文章的url的Xpath是://*[@id=”cat_all”]/div/div/div[2]/div/h2/span/a。
另外,由于我们获取到的Xpath往往是某一个具体的元素的,想要匹配所有的符合要求的元素,我们还可以借助Chrome的Xpath插件:XPath Helper。例如我们获取一般是://*[@id=”cat_all”]/div[1]/div/div[2]/div/h2/span/a。通过插件我们测试出去年第一个divr的1,也就是变成我上面的://*[@id=”cat_all”]/div/div/div[2]/div/h2/span/a。于就匹配了所有的最新文章链接地址了。
其它的标题、内容、时间等都可以参考上面的方法获取到。
预览抓取结果。点击“Dry Run”,你就可以预览抓取结果了。注意到“事件”中看到抓取了结果,就表示该Website Agent设置成功了。
2.2 获取RSS全文
还是点击新建Agent,类型选择Website Agent,来源选择你刚刚创建的Website Agent。
然后在选项设置处,URL填写:{{url}},即抓取你刚刚获取RSS的链接地址,mode选择“merge”,xpath就是本文的Xpath,value填入“.”,即原样输出全文并合并原先的输出。
2.3 生成RSS地址
点击新建Agent,类型选择Data Output Agent,Sources中填入第二步的Agent名称。
在选项中填入你的RSS的标题、描述、链接等信息,同时在Item中填写标题、描述、链接等,即输出RSS全文的标题、内容与链接地址等等。
最后,你就可以看到RSS订阅地址已经生成的。
复制该RSS订阅地址到RSS阅读器,就可以订阅文章更新了。
如果你没有RSS输出,请检查以下三点:
- WebsiteAgent接受到的Event,是否有url这个字段?
- 如果event里url字段,用 url_from_event 就行了
- dry run 时会提示你输入Event作为输入,这是要输入一个带url的event,否则当然没输出了。
三、Huginn抓取微信公众号并输出RSS
抓取微信公众号的文章更新,首先需要一个网页。这里我们需要利用的就是搜索微信平台了,例如挖站否的微信是这样的:
原理还是和上面一样的,创建Website Agent,去抓取搜狐微信页面,通过Xpath获得“最近文章”内容,然后得到最近文章的URL,继续抓取,最终获得微信公众号文章全文。
这里有一个抓取微信公众号生成RSS输出的scenarios,你可以直接下载导入:https://www.ucblog.net/wzfou/weixin.json。
导入完成后,你只需要修改“从搜狗微信搜索公众号,获取最新文章标题”和“获取公众号最新文章的链接地址”两个Agent的URL,换成你想要订阅的微信公众号URL即可。
最后,确保所有的Agent正常运行。
然后,你就可以使用RSS阅读器订阅微信公众号更新了。
四、Huginn一站式信息阅读
PC电脑端。自然是用RSS阅读器了,不管你是用RSS订阅软件,还是使用RSS在线订阅平台,你只要有一个RSS订阅源,你可以享受在任意电脑上查看自己的RSS信息了。国内的可用一览(目前有 100 个订阅数的限制),国外用Inoreader(无限制但有广告)。
手机移动端。手机上可以安装RSS阅读器的APP,但是更强大的是Huginn可以结合IFTTT、Pushbullet、Slack等将图片、超链接、文件、文字等内容发到你自己的手机上,或者直接发到你的微信、QQ、邮箱等。
五、总结
Huginn可以订阅任意你想要订阅的网站与平台,例如微信公众号、简书、知乎、博客、图虫、Lofter……,只要有网页同时生成了CSS,你就可以派出你的“Agent”去把他们抓回来,然后将他们“分门别类”,任意处置了。
看完此文的朋友,一定知道Huginn的门槛就在于环境的部署以及Website Agent规则的制定。虽然说Huginn有scenarios可供导入导出,但是目前为止还没有一个像油猴那样大规模的scenarios库,所以Huginn普及是非常困难的。
目前,大家可以在这里找到几个可供使用的脚本库:http://huginnio.herokuapp.com/scenarios。另外,Heroku部署Huginn也不是长久之计,一是Heroku基本上打不开,二来免费服务还不能运行24小时,不差钱的朋友可以购买一个VPS主机部署Huginn。这是我用过的VPS:VPS主机排行榜单。
文章出自:挖站否 https://wzfou.com/huginn-rss/,部分内容参考自walkginkgo、xzonepiece、walkginkgo、pmvince 版权所有。本站文章除注明出处外,皆为作者原创文章,可自由引用,但请注明来源。
猜你喜欢
Qi 大,我想监#控某个公众号发布新文章提醒,实时收到推送通知提醒,然后自己再去该公众号打开查看。不知道现在有没有办法可以监控公号文章更新的 ? 求推荐。教程上提到的搜狐微信平台已经没法用了
谢谢🙏2020年9月9日 18:11抓取微信回来的文章图片是不是有问题?
2019年3月11日 12:10请问…怎样设置能让网站只运行18个小时?可以设置起始时间吗?
2018年12月1日 17:15博主你好,如果一个有好几段文字复合要求想合并到1个event里面输出要怎么做啊?
2018年6月11日 22:44您好最后一步遇到这个问题该怎么解决呢,我把名字改成yui了
$ heroku git:remote -a code-huginn
This is the legacy Heroku CLI. Please install the new CLI from https://cli.heroku.com
▸ You do not have access to the app code-huginn.
cabox@box-codeanywhere:~/workspace/yui$ bin/setup_heroku
This is the legacy Heroku CLI. Please install the new CLI from https://cli.heroku.com
Welcome @gmail.com! It looks like you’re logged into Heroku.bin/setup_heroku:33:in `’: invalid byte sequence in US-ASCII (ArgumentError)
cabox@box-codeanywhere:~/workspace/yui$2018年6月10日 19:19博主您好,我把code-huginn改成yui了,但是到了“之后执行 heroku git:remote -a code-huginn。”这一步就出现下面的错误提示,该怎么解决呢
cabox@box-codeanywhere:~/workspace/yui$ heroku git:remote -a yui
This is the legacy Heroku CLI. Please install the new CLI from https://cli.heroku.com
▸ You do not have access to the app yui.
cabox@box-codeanywhere:~/workspace/yui$ heroku git:remote -a code-huginn
This is the legacy Heroku CLI. Please install the new CLI from https://cli.heroku.com
▸ You do not have access to the app code-huginn.
cabox@box-codeanywhere:~/workspace/yui$ bin/setup_heroku
This is the legacy Heroku CLI. Please install the new CLI from https://cli.heroku.com
Welcome sczan110@gmail.com! It looks like you’re logged into Heroku.bin/setup_heroku:33:in `’: invalid byte sequence in US-ASCII (ArgumentError)
2018年6月10日 19:05打扰了 我也遇到绝对路径的问题 不知能否告知下怎么改成绝对路径?
https://www.szyangxiao.com/197918.shtml2018年5月24日 22:00
原创
李叫兽传:他打架、失业,却成为百度最年轻的副总裁
请问类似这样的网页源码,通过xpath获取的url只有artical/2004698而非正确的网页链接,请问应该怎样处理啊?2018年4月21日 00:13发现直接变成有格式的文字,emmm,附链接http://www.gzhshoulu.wang/account_U_quan.html
附图
求解惑2018年4月21日 00:20你好,请问你是怎么解决的呢?
2019年2月12日 19:08
你好,感谢分享
有个问题,我设置了heroku config:set AGENT_LOG_LENGTH=20,RSS用来抓取gaoqing.la的更新,前面设置都没问题dry
run也正常,但是最后RSS输出的时候却倒序输出了20个电影,请问该怎么解决2018年4月19日 11:24不死心的再问一下😂😂,您说的是文章内显示图片有难度对吗?
2018年4月17日 12:36你好,我按照步骤操作后发现没有rss输出。再次阅读文章后发现只有这一步没操作过
“dry run 时会提示你输入Event作为输入,这是要输入一个带url的event,否则当然没输出了。”
这一步的具体操作是什么啊?有点懵。。这个图我在第二个rss中的options,这是我输出的rss链接https://g-rss.herokuapp.com/users/2/web_requests/13/kejimx.xml 麻烦大佬看一下原因
2018年4月11日 10:37再打扰一下,在2.1那一步中我明明 就是按教程做的啊,为什么没有event输出呢😂😂
2018年4月4日 11:25请问图三那里的invatation code怎么填啊
2018年4月1日 10:12好的,感谢楼主答复。
2018年3月2日 20:14抓取微信公众号生成RSS输出的scenarios是否已经失效,我创建完无法获取文章了。
2018年2月27日 12:39您好,在2.2中, mode选择“merge”,xpath就是本文的Xpath,value填入“.” ,請問“本文的xpath”是什麽?
2018年2月17日 21:22请问,在workspace里执行 bash huginn.sh 提示 没有 huginn.sh应该如何操作?
2018年2月17日 17:36.sh安裝在huginn的根目錄下。
2018年2月17日 21:22
尝试使用Huginn 的邮箱的时候,出现下面的错误
550 Unauthenticated senders not allowed
我查了一下,已经是用gmail邮箱的了,它还是有错误提示
请问,如何解决呢?谢谢2018年1月31日 21:22你好, 求教一下
我尝试做全文RSS输出,但是全文website agent 在 dry run 的时候没有输出结果dry run 的时候,上面已经出现了 {url: xxx, title:xxx}的event data, 说明source的那个website agent已经抓取到东西了
url_from_event: {{url}} 也已经设置好了
我不知道是不是它不支持H5的格式呢?
我要弄的全文xpath里面有section / article 这样的tag, 然后最后是抓取到的东西是包含在一个div里面的,
e.g.
xpath: /html/body/section/div/div[2]/article/div
value: .
div里面就是全文的html,不过dry run 之后还是没有结果返回,2018年1月9日 18:06好像是website agent里面有两个url , 重复了
2018年1月9日 19:39
你好,我已经配置好,抓取其它网站输出全文是正常了。用huginn有其它办法可以继续爬公众号麽?
2018年1月9日 16:43然后执行脚本 huginn.sh,命令:bash huginn.sh。执行完毕之后,进行如下操作即可:
你好,这一步可以详细点说明下在哪里执行吗
2018年1月8日 20:25什么都没有改动过,突然间就出错了, herokuapp 页面显示的 Application error。请问你有遇到过这种情况吗?
2017年12月24日 23:16应该是运行时间已经超过了550个小时,请问如何”让网站每天只运行18小时”,在uptimerobot上设置吗?
2017年12月24日 23:23
看一遍又一遍 真心感觉老大写的就是经典啊!!!真心好用 哈哈
2017年12月24日 20:16vps 和 huginn 装好了,phantomjscloud的API Key也配上去了,下了个”微信公众号”改了配置,但跑出来是空值
2017年12月3日 18:00你好啊,我有一个问题想请教一下.
“由于我们用的是自动安装,所以没有创建管理员用户”.
那用什么账号可以登录Huginn instance呢? 试过Heroku的账号是不行的2017年11月23日 13:41感谢作者,可是导入后微信公众号 #2 获取文章列表 Details 就运行不起来了哎。。
2017年11月19日 13:00可以用可以用 原来要注册下phantomjscloud
再次感谢2017年11月19日 13:25
感谢Qi大,这篇文章得好好研究了,感觉功能很实用~另外是否可以出个打包整站的教程?期待ing
2017年9月15日 06:26再hero#ku上搭建似乎内存不够..抓不到文章列表..
2017年9月8日 14:24最讨厌某些移动 app,特别是 UC,假装懂你的带浏览器功能的新闻客户端
2017年9月1日 20:46对于商人而言,RSS 主要无利可图,所以不太受欢迎。不过不知道从哪里看到一句话——“支持 RSS 是一种美德”。
2017年9月1日 20:44收藏一下,以前有看过,但是不知道如何用。
2017年9月1日 16:42好繁琐
2017年8月30日 22:37感觉配置有些难度…
2017年9月1日 15:59
可以试试https://perma.cc/,看看怎么样,能不能出个教程,感觉后续开发可以当做Evernote或者OneNote的网页裁剪功能
2017年8月30日 21:56
测试成功! Thanks