跳到导航

如何把已采集的公众号文章转成 RSS,而不是重新抓取所有正文?

要把已采集的公众号文章转成 RSS,把核对过的文章来源记录放进 records/,运行 generate_rss.py 生成带原文链接的本地 RSS 2.0 feed.xml,再把 feed.xml 放到你控制的地址,确认阅读器收到新增条目。用已保存的记录重建 feed.xml 不需要重新查询正文;只有还没保存正文的文章才调用 wechat_mp.v2.fetch_article_detail_h5。例如你想在同一个阅读器里看几家同行公众号的文章,而不是每天逐个打开账号。生成 feed.xml 只是三步中的第一步:生成、托管和阅读器拉取要分别验收。

feed.xml 的每个条目附正文前 500 个字符的摘录,方便决定要不要打开原文;摘录不是 AI 总结,也不是全文。

先选阅读范围,再决定是否需要新查询

例如你跟踪三家同行的产品公告:先选择相关账号和主题,排除无关文章,记下每篇文章的来源和阅读目的。把选中的来源 JSON 文件放进 records/,records/ 里的文件就是这次 feed 的范围。generate_rss.py 不会自动发现账号、识别主题,也不判断文章是否值得读。

只想看标题和原文链接时,不要逐篇付费取正文。generate_rss.py 只接受经过正文指南(第 1 步)核对的来源记录;generate_rss.py 没有读取账号列表摘要的适配器,也不能把列表摘要冒充完整正文来凑输入。只有列表摘要时,改用本页末尾链接的列表摘要流程,并记下缺少的适配。

阅读器里出现的条目怎样理解?

你看到的情况应怎样判断下一步
标题相关,摘录没有回答研究问题摘录只含开头,全文可能有答案打开原文或已保存的正文,继续带着问题读
没有显示发布时间来源没有发布时间,生成时间不能替代保留缺失,不要当作今天新发
同一文章出现两次URL 别名不同,或旧 feed 和新 feed 的 guid 不同核对原链接和阅读器的实际表现,不按标题删除
旧条目在重新生成后消失generate_rss.py 重建整个文件,records/ 的范围可能变了先检查 records/ 和旧 feed,再判断是否作者删文
阅读器没有新增条目发现、生成、托管或阅读器拉取中的某一步没完成按具体文章链接逐层核对,不立即重复取数

generate_rss.py 不维护历史数据库:要让条目一直留在 feed 里,就把条目的来源记录留在 records/。相同 URL 的新内容沿用相同 guid;阅读器是否提示更新、是否保留已读状态,只能在实际阅读器里测试确认。feed.xml 里的条目顺序也不是发布时间顺序。

怎样确认一次更新真正送到了阅读器?

  1. 用少量已保存记录生成 feed.xml 并解析 XML,核对标题、原文链接、摘录和日期。

  2. 把 feed.xml 放到你控制的测试地址,确认阅读器能访问。本地路径不是远程阅读器可用的订阅地址。私有阅读单独核对访问方式,不要把密钥放进 feed。

  3. 加入一篇已确认的新来源记录,重新生成 feed.xml,更新同一个测试地址,再刷新阅读器。

  4. 核对这篇文章出现且只出现一次,原文链接正确。

每一步都保留结果:XML 生成、托管和阅读器读取分别验收。本地生成器见下文第 1–3 步;托管、定时任务和阅读器接入由你自己配置。

迁移 wewe-rss 时,先保留旧订阅和资料,再用一个账号试迁。wewe-rss 仓库已于 2026 年 5 月 11 日归档;第 7 节引用的状态解释来自 wewe-rss 的 README,README 不能证明服务仍在维护,也不能说明你当前故障的原因。项目仓库与README

例如周三的 records/ 里已有《安装手册更新》的正文记录,但阅读器没显示这篇:

  1. 在生成的 feed.xml 里按原文链接找这篇文章。
  2. feed.xml 里有这个链接时,核对订阅地址返回的 XML。
  3. 订阅地址返回的 XML 里也有时,检查阅读器的刷新时间和阅读器记录的 guid。

三步都复用已经保存的正文。

1. 准备有效来源记录

每篇文章用正文读取指南生成 wechat-article-source.json。把审核通过的记录分别命名后复制到 records/,保留 article_url、title、text、published_at_utc 和 collected_at。records/ 里的文件就是 feed 的范围,不要放进密钥或账单记录。

文章还需要正文时,先 Inspect data:wechat_mp.v2.fetch_article_detail_h5:

curl -sS https://api.beatapi.io/v1/capabilities/inspect \
-H 'Content-Type: application/json' \
-d '{"reference":"data:wechat_mp.v2.fetch_article_detail_h5"}'
curl -sS https://api.beatapi.io/v1/social-data/call \
-H "Authorization: Bearer $BEATAPI_API_KEY" \
-H 'Content-Type: application/json' \
-d '{"action":"wechat_mp.v2.fetch_article_detail_h5","params":{"url":"<article_url>"}}' \
-o wechat-article.json

2. 生成 XML

generate_rss.py 只读取本地文件,每个精确 URL 保留一项,用 XML 库转义特殊字符。description 是正文前 500 个字符的摘录,不是完整正文。published_at_utc 有值时,generate_rss.py 将 published_at_utc 转为 GMT 格式的 pubDate;缺失时不输出。collected_at 只用于判断观察先后,绝不代替发布时间。

import html
import json
import tempfile
import xml.etree.ElementTree as ET
from datetime import datetime, timezone
from email.utils import format_datetime
from pathlib import Path
from urllib.parse import parse_qs, urlsplit
def timestamp(value, label):
if value is None or value == "":
return None
if not isinstance(value, str):
raise SystemExit(f"Invalid {label}")
try:
parsed = datetime.fromisoformat(value.replace("Z", "+00:00"))
except ValueError:
raise SystemExit(f"Invalid {label}")
if parsed.tzinfo is None:
raise SystemExit(f"Timezone required for {label}")
return parsed.astimezone(timezone.utc)
records = {}
for file in sorted(Path("records").glob("*.json")):
record = json.loads(file.read_text(encoding="utf-8"))
url = record.get("article_url")
text = record.get("text")
parsed = urlsplit(url) if isinstance(url, str) else None
if not parsed or parsed.scheme not in {"http", "https"} or parsed.hostname != "mp.weixin.qq.com" or parsed.username:
raise SystemExit(f"Invalid article URL in {file.name}")
query = parse_qs(parsed.query)
if not ((parsed.path == "/s" and all(query.get(key) for key in ["__biz", "mid", "idx"])) or (parsed.path.startswith("/s/") and parsed.path[3:].strip())):
raise SystemExit(f"Missing article identifier in {file.name}")
if not isinstance(text, str) or not text.strip() or text.strip() in {"[redacted]", "[redacted-depth]"}:
raise SystemExit(f"Missing body in {file.name}")
title = record.get("title") or "Untitled article"
if not isinstance(title, str):
raise SystemExit(f"Invalid title in {file.name}")
published = timestamp(record.get("published_at_utc"), "published_at_utc")
collected = timestamp(record.get("collected_at"), "collected_at")
candidate = (title, text, published, collected)
previous = records.get(url)
if previous:
if previous[:3] == candidate[:3]:
if collected and (not previous[3] or collected > previous[3]):
records[url] = candidate
continue
if not collected or not previous[3] or collected == previous[3]:
raise SystemExit(f"Conflicting observations need distinct collected_at: {file.name}")
if collected < previous[3]:
continue
records[url] = candidate
if not records:
raise SystemExit("No article records; keep the previous feed unchanged.")
root = ET.Element("rss", version="2.0")
channel = ET.SubElement(root, "channel")
ET.SubElement(channel, "title").text = "Saved WeChat articles"
ET.SubElement(channel, "link").text = "https://mp.weixin.qq.com/"
ET.SubElement(channel, "description").text = "Selected article excerpts with original sources."
for url, (title, text, published, collected) in records.items():
item = ET.SubElement(channel, "item")
ET.SubElement(item, "title").text = title
ET.SubElement(item, "link").text = url
ET.SubElement(item, "guid", isPermaLink="true").text = url
ET.SubElement(item, "description").text = html.escape(text[:500])
if published:
ET.SubElement(item, "pubDate").text = format_datetime(published, usegmt=True)
target = Path("feed.xml")
with tempfile.NamedTemporaryFile(dir=target.parent, suffix=".xml", delete=False) as handle:
temporary = Path(handle.name)
try:
ET.ElementTree(root).write(temporary, encoding="utf-8", xml_declaration=True)
ET.parse(temporary)
temporary.replace(target)
finally:
temporary.unlink(missing_ok=True)
print(f"Wrote {len(records)} items")

把上面的代码保存为 generate_rss.py,与 records/ 放在同一目录,再运行:

python3 generate_rss.py
python3 -c 'import xml.etree.ElementTree as E; r=E.parse("feed.xml"); print("items:", len(r.findall("channel/item")))'

3. 校验输出与重复行为

  • 同一精确 URL 的多份记录只生成一项。
  • 同一 URL 的内容不同时,按带时区的 collected_at 选较新的观察,与文件名先后无关;观察时间缺失或相同但内容冲突时,generate_rss.py 停止并保留旧 feed。
  • 内容完全相同的副本即使没有观察时间也合并为一项;标题相同但 URL 不同仍是两项。
  • 短链和长链别名是否同一篇需要另外核对,generate_rss.py 不自动归一化。
  • records/ 里的文件名顺序不是文章发布时间顺序。

generate_rss.py 先解析临时 XML,再替换目标文件;数据缺失、空目录或 XML 无法解析时,不会发布空 feed。保留来源记录,方便重建。RSS 必要的 channel 元素和 guid 语义见 RSS 2.0 规范。

4. 分别完成托管和阅读器测试

本地 feed.xml 不是公网服务。先决定摘录只供自己看还是允许公开,再用自己控制的静态托管发布,并在实际阅读器里验证访问、编码和更新。不要公开全文、请求日志或敏感资料;没有再分发权限时不要开放公开订阅。

5. 如何持续更新?

  1. 用增量检查发现候选文章。
  2. 只为需要正文的候选文章付费读正文,把新记录加进 records/。
  3. 重新生成 feed.xml。

定时调度和托管发布要分别配置。generate_rss.py 运行成功不代表阅读器已经拉到更新。

6. 费用和完成范围

复用已保存的记录生成 RSS 不产生 BeatAPI 平台调用。新文章正文按篇查询,列表翻页另计,金额以当前 Inspect 显示为准。generate_rss.py 在本地处理 XML 转义、精确 URL 去重、按 collected_at 选择较新观察、GMT 格式 pubDate 输出,并在输入无效或为空时保留原有 feed.xml。

7. wewe-rss 失效后,怎样排查和安全迁移?

删掉旧服务之前,先区分“采集坏了”还是“订阅地址坏了”。wewe-rss 自己的 README 把“失效”定义为登录状态失效,把“今日小黑屋”定义为账号封控,并列出 PLATFORM_URL、CRON_EXPRESSION 和 UPDATE_DELAY_TIME 配置。按下表为每种现象选第一步检查。

现象先检查什么不能据此得出的结论
后台账号显示失效在旧服务重新登录,再检查单个账号能否取得新文章不是 RSS XML 格式错误,也不能说明所有账号都失效
今日小黑屋按 wewe-rss 的说明等待,降低更新频率,保留最后成功的 feed重启清掉本地状态不等于平台封控解除,不要循环重试
后台文章已更新,阅读器仍是旧内容比较后台最新文章链接、订阅地址返回的 feed XML 和阅读器最近拉取时间;检查地址、访问权限和缓存不能直接归因为采集接口故障
所有账号都不更新从部署服务器检查配置的 PLATFORM_URL 是否可达,再查任务日志和调度执行时间不能据此断定 PLATFORM_URL 转发服务已停止或返回 502

改用 BeatAPI 采集时,BeatAPI 只替代按需读取文章这一步;wewe-rss 的账号数据库、OPML、定时器、托管和阅读器同步仍由你自己的部署承担。正文读取使用文章 URL 和 BeatAPI Key,generate_rss.py 不需要微信读书 Cookie 或密码。

先迁一个账号,不要一次替换全部订阅

  1. 从旧服务导出 OPML,并按原部署方式备份旧服务的数据库、旧 feed XML 和配置。备份放在自己的安全位置,不要把带口令的配置放进 records/。OPML 只保存订阅目录,不保存文章正文或阅读状态。
  2. 选一个已核实的账号,保留这个账号的旧订阅不动。用已存档的文章来源生成独立的 feed.xml,先不覆盖旧服务地址。已有来源记录不需要重新付费;缺少来源时按正文指南逐篇读取。wewe-rss 的旧数据库不能作为 generate_rss.py 的输入。
  3. 选旧 feed 里两篇历史文章和一篇已确认的新文章,建立人工对照表:原文链接、旧 guid、新 guid、标题、发布时间。generate_rss.py 用完整的 article_url 作 guid;旧服务即使链接相同也可能用不同的 guid。只有实际阅读器测试才能确认是否产生重复条目或丢失已读状态,generate_rss.py 不能导入旧 guid 或阅读状态。
  4. 把新的 feed.xml 托管在你控制的测试订阅地址,只在一个阅读器里添加。确认标题、中文和摘录显示正常,原文链接能打开,发布时间没有被采集时间替换。再加入一篇来源记录,重新生成并更新托管文件,手动刷新阅读器,确认只出现预期的新条目。
  5. 试迁账号验收通过后,再决定替换旧订阅还是保留新地址。记录切换时刻、最后成功的文章和覆盖范围。切换失败时,恢复备份的旧 feed 和订阅配置,不清空历史,也不靠重复付费采集碰运气。其余账号逐个迁移。

generate_rss.py 生成的是摘录版 RSS 2.0,不能完全替代旧服务的 fulltext、Atom 或 JSON 模式。旧订阅的过滤规则、私密访问、附件、已读状态和自动 OPML 迁移都需要另行实现和验收。

迁移后如何算账和判断“已经恢复”?

按 列表请求数 × 当前列表单价 + 新正文请求数 × 当前正文单价 估算数据费用;重跑本地 RSS 生成器是零次平台请求。例如 30 个账号每天只查第一页,30 天是 900 次列表请求,不含翻页、正文或其他操作。不要套用另一家服务的月费,也不要照搬别家“失败是否收费”的规则。托管、调度、提醒和模型费用单独计算。

只有“采集取得新记录 → 生成 XML → 托管更新 → 阅读器实际拉到新条目”四步都有证据,才算恢复了持续订阅。

正文来源字段 · 公众号问题索引

把旧订阅源换成新的文章清单

旧订阅源停止更新时,先保留已订阅账号、已读链接和已有导出。用文章增量找到实际新增的文章,再按上文第 1–3 步生成 RSS。用可访问的订阅地址在自己的阅读器里检查一条更新,再把保存的状态迁入新流程。正在排查旧部署异常时,先保留诊断记录,按自己的运维流程处理;迁移文章不需要复用旧服务的会话配置。

在你安装的 TrendRadar 或其他聚合器版本里核对 RSS 入口和过滤条件。同时想加入小红书笔记时,用搜索导出取得候选,只把已确认的链接、标题和日期写进小红书的订阅源。每个来源分别核对一次更新和实际显示的日期。

把两个 RSS 源接入 TrendRadar

只用列表摘要制作 RSS,并试迁订阅