從零打造 RSS 訂閱：解析 DOM 樹與自動生成 Feed 實戰

動機：學校網站無 RSS，自行開發 Feed 解決方案

身為就業輔導組長，每天必須檢查學校網站最新公告，卻無 RSS 訂閱功能，極不方便。靈機一動決定自己寫一個爬蟲，定時抓取公告頁面並產出標準 RSS 2.0 Feed，讓任何 RSS 閱讀器都能訂閱。

架構設計：四大核心類別

• RssDocument：根節點，包含單一 RssChannel。
• RssChannel：頻道資訊（標題、連結、描述），含一個 RssImage（Logo）與多個 RssItem（文章）。
• RssImage：頻道圖片資訊（URL、標題、連結）。
• RssItem：單篇文章（標題、連結、描述、發布日期、GUID）。

採用 XmlDocument 建構 XML 樹，優於 StringBuilder 字串拼接：結構強型別、自動處理逸出字元、不易產生格式錯誤，效能亦佳。

關鍵難點：HTML 轉標準 XHTML

目標網站回傳的是鬆散 HTML，直接用 XmlDocument.Load 會失敗。解法：引入 SgmlReader（開源專案），將 HTML 解析為標準 XHTML，再載入 XmlDocument 操作 DOM。

public XmlDocument ConvertHtml2Xhtml(string html)
{
    using (SgmlReader reader = new SgmlReader())
    {
        reader.DocType = "HTML";
        reader.InputStream = new StringReader(html);
        using (StringWriter stringWriter = new StringWriter())
        using (XmlTextWriter writer = new XmlTextWriter(stringWriter))
        {
            reader.WhitespaceHandling = WhitespaceHandling.None;
            writer.Formatting = Formatting.Indented;
            XmlDocument doc = new XmlDocument();
            doc.Load(reader); // 直接從 SgmlReader 載入，自動完成 HTML→XHTML 轉換
            return doc;
        }
    }
}

DOM 定位與資料萃取策略

1. 觀察目標頁面原始碼，找出公告列表的固定 DOM 路徑（如 /html/body/div[2]/table/tr/td[3]/ul/li）。
2. 為求速度，採「從根節點向下逐層篩選」而非 GetElementsByTagName 全域搜尋，減少節點遍歷開銷。
3. 依序萃取：標題（<a> 內文）、連結（href）、發布日期（同列 <span>）、摘要（進入詳細頁再抓或直接取標題）。
4. 組裝 RssItem 集合，最後由 RssDocument 輸出完整 XML。

部署與自動化

• 將程式編譯為 Console Application，配合 Windows 排程器每小時執行一次。
• 輸出 rss.xml 放至網站公開目錄，或上傳至靜態空間（GitHub Pages、Firebase Hosting 等）。
• RSS 閱讀器訂閱該 XML URL，即時接收最新公告。

原始碼下載

完整專案（含 SgmlReader 參考、RSS 實體類、爬蟲邏輯、排程部署說明）已上傳：點此下載

這個小專案展示了「以標準工具解析非標準 HTML → 結構化資料 → 輸出標準格式」的經典資料管線模式，可輕易擴充至其他無 RSS 網站。