解析博客文章的常見鏈接

Question

（新兵後，道歉和感謝前面！）

我的目標是要建立一個小的應用程序，監視並分析一組博客的帖子的出站鏈接，這樣我就可以再：

1. 在一個框架中的博客中顯示鏈接到最多的文章;和
2. 對於給定的鏈接文章，顯示鏈接到它的帖子（在我的博客圈）。

到目前爲止，我的想法是使用：
- 的Python（Django的或一些，例如前端）
- Feedparser從帖子
閱讀提要和提取環節 - 裏urlparse

大問題：我錯過了什麼明顯的，會讓這種方式更容易？

小問題（我想不通尚）：
- 既然指向同一篇文章時，出站鏈接的網址可能會有所不同，即使（NYT URL和tinyURLs，例如），我該怎麼檢查看看它是否已經在我的鏈接項目列表中，而不僅僅是比較絕對URL？

This SO post在高層次上很有幫助，但解析'blogroll'樣式的鏈接列表似乎比主動比較帖子中的URL容易得多，特別是對於可能在其URL中執行各種有趣事情的新聞站點。

Answer 1

我會去相同的設置。您可能需要使用lxml來解析和處理髮布的內容HTML（提取標籤）。