RSS是一种非常经典的内容订阅格式，很多博客、新闻站点至今都保留着RSS或Atom源，输出的内容就是一份标准的XML文档。对爬虫来说这简直是好消息——不需要写复杂的XPath去抠HTML页面，只要解析XML里的几个固定节点，就能稳定拿到文章标题、链接、发布时间和摘要。本文介绍用Python爬取和解析RSS源的几种常见做法，并覆盖编码、命名空间、反爬这些容易踩坑的地方。
一、用requests抓取RSS源内容
第一步是把RSS源的内容下载下来。最直接的方式是用requests库发送GET请求。大多数RSS源不需要登录，也不需要复杂的参数，直接请求源地址即可。示例代码如下：
import requests
url = "https://ippipp.com/feed.xml"
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64)"
}
response = requests.get(url, headers=headers, timeout=10)
response.raise_for_status() # 请求失败时抛出异常
# 根据HTTP头或XML声明推断编码
response.encoding = response.apparent_encoding
xml_text = response.text
print(xml_text[:500])这里有几个细节值得注意。第一，一定要带上User-Agent，部分站点会过滤掉默认的python-requests标识，直接返回403。第二，编码问题非常常见，有些老站点的RSS用的是GBK编码，而requests默认按ISO-8859-1解析，会导致中文乱码，用apparent_encoding让chardet自动探测通常能解决。第三，建议加上timeout参数，避免网络异常时程序长时间挂起。
如果想更稳妥一些，可以拿到底层字节后自己交给解析器处理，即使用response.content而不是response.text，把编码判断交给XML解析器自己完成，因为规范的XML文档第一行会声明自己的编码，解析器读取声明比外部猜测更准确。
二、用ElementTree解析XML节点
拿到XML文本后，Python标准库自带的xml.etree.ElementTree就能完成解析，不需要额外安装依赖。RSS的结构比较固定：根元素是<rss>，下面有<channel>，频道信息里再嵌套若干<item>，每条item对应一篇文章。
import xml.etree.ElementTree as ET
root = ET.fromstring(xml_text)
# RSS 2.0 的基本结构
for item in root.iter("item"):
title = item.findtext("title", default="")
link = item.findtext("link", default="")
pub_date = item.findtext("pubDate", default="")
description = item.findtext("description", default="")
print(f"标题: {title}")
print(f"链接: {link}")
print(f"发布时间: {pub_date}")
print(f"摘要: {description[:80]}")
print("-" * 40)如果抓的是Atom格式的源，节点名就不一样了，条目叫<entry>，链接放在<link>标签的href属性里，时间字段叫<updated>。更麻烦的是Atom大量使用命名空间，直接用find("entry")可能什么都找不到，需要带上命名空间前缀：
ns = {"atom": "http://www.w3.org/2005/Atom"}
for entry in root.findall("atom:entry", ns):
title = entry.findtext("atom:title", namespaces=ns)
link_el = entry.find("atom:link", ns)
link = link_el.get("href") if link_el is not None else ""
updated = entry.findtext("atom:updated", namespaces=ns)
print(title, link, updated)这种手写命名空间的方式功能上没问题，但代码容易变得臃肿。如果你的数据源混合了RSS 2.0和Atom两种格式，写两套解析逻辑维护成本不低，这时候就轮到专用工具出场了。
三、用feedparser统一处理各种格式
feedparser是Python生态里专门处理RSS和Atom的库，安装也很简单：pip install feedparser。它最大的价值在于屏蔽了格式差异，无论是RSS 1.0、RSS 2.0还是Atom，解析出来的数据结构都是统一的，命名空间也被自动处理掉了。
import feedparser
url = "https://ippipp.com/feed.xml"
feed = feedparser.parse(url)
print(f"订阅源名称: {feed.feed.title}")
for entry in feed.entries:
print(f"标题: {entry.get('title', '')}")
print(f"链接: {entry.get('link', '')}")
# feedparser 会把时间统一转成 struct_time
published = entry.get("published_parsed")
print(f"时间: {published}")
print(f"摘要: {entry.get('summary', '')[:80]}")
print("-" * 40)注意几个好用的特性。feedparser可以直接传入URL，内部会完成下载，也可以传入已经下载好的字符串或字节。它会把各种格式的时间字段统一解析成struct_time，省去了自己处理RFC 822和ISO 8601两种时间格式的麻烦。此外它对畸形XML有较强的容错能力，遇到漏写闭合标签的源也不容易直接崩溃。
不过feedparser默认不发User-Agent头，遇到有反爬的站点可能被拒，所以更稳妥的组合是：用requests带请求头下载内容，再把response.content传给feedparser.parse，这样下载环节完全可控，解析环节交给专业的库。
四、常见的坑与应对办法
实际抓取中问题不少，这里总结几条高频出现的。一是编码乱码，前面提到的apparent_encoding和直接传字节给解析器是主要解法。二是摘要里混着HTML标签，description字段经常包含完整的HTML片段，如果想拿纯文本，可以用一个简单的方法剥离标签：
import re
def strip_html(text):
# 去掉HTML标签，再把实体还原
clean = re.sub(r"<[^>]+>", "", text)
return clean.strip()
print(strip_html(entry.get("summary", "")))三是频率控制，抓RSS不要太猛，多数站点几分钟更新一次已经算频繁了，循环采集时加上time.sleep(60)之类的间隔既礼貌又安全。四是增量抓取，可以记录每条目的链接或GUID，只保存新出现的条目，避免重复入库。
最后在方案选择上给个建议：临时抓一两个固定的RSS 2.0源，标准库ElementTree零依赖就够用；数据源多、格式混杂、要长期维护采集程序，直接上feedparser，代码量少一半而且坑少。把上面几个模块组合起来，一个几十行的Python脚本就能稳定地订阅你关心的所有站点内容。