Προσθήκη των αγαπημένων σας ειδησεογραφικών ιστοσελίδων

Το calibre έχει ένα πανίσχυρο, ευπροσάρμοστο και εύκολο στη χρήση σύνολο εργαλείων για τη λήψη ειδήσεων από το διαδίκτυο και τη μετατροπή τους σε ψηφιακά βιβλία. Τα ακόλουθα θα σας δείξουν, με χρήση παραδειγμάτων, πως να λαμβάνετε ειδήσεις από διάφορες ιστοσελίδες.

Για να καταλάβετε πως να χρησιμοποιείτε το σύνολο εργαλείων ακολουθήστε τα παραδείγματα, στη σειρά με την οποία εμφανίζονται παρακάτω:

Πλήρως αυτοματοποιημένες λήψεις

Αν η πηγή των ειδήσεών σας είναι αρκετά απλή, το calibre ίσως είναι σε θέση να κάνει αυτόματη λήψη - θα χρειαστεί απλώς να του γνωστοποιήσετε το URL. Το calibre συλλέγει όλες τις απαραίτητες πληροφορίες για τη λήψη των πηγών ειδήσεων σε μια συνταγή. Για να πείτε στο calibre για μια πηγή ειδήσεων, πρέπει να δημιουργήσετε μια συνταγή γι” αυτό. Ας δούμε κάποια παραδείγματα:

Το ιστολόγιο του calibre

Το ιστολόγιο του calibre είναι ένα ιστολόγιο με αναρτήσεις που περιγράφουν πολλά χρήσιμα χαρακτηριστικά του calibre με ένα απλό και βατό τρόπο για νέους χρήστες του calibre. Για να γίνει λήψη του ιστολόγιου αυτού ως ψηφιακό βιβλίο, βασιζόμαστε στη ροή RSS του ιστολόγιου:

http://blog.calibre-ebook.com/feeds/posts/default

Παίρνουμε τη διεύθυνση της ροής RSS κοιτώντας κάτω από το «Subscribe to» στο τέλος της σελίδας ιστολογίου, και επιλέγοντας Posts → Atom. Για να κάνετε το calibre να λάβει τη ροή και να τη μετατρέψει σε ψηφιακό βιβλίο, πρέπει να πατήσετε το δεξί πλήκτρο του ποντικιού σας στο κουμπί Λήψη ειδήσεων, μετά στο στοιχείο μενού Προσθήκη μιας εξατομικευμένης πηγής ειδήσεων και ακολούθως στο κουμπί Νέα συνταγή. Θα πρέπει να παρουσιαστεί ένας διάλογος παρόμοιος με αυτόν που φαίνεται παρακάτω.

_images/custom_news.png

Πρώτα εισάγετε Ιστολόγιο Calibre στο πεδίο Όνομα συνταγής. Αυτός θα είναι ο τίτλος του ψηφιακού βιβλίου που θα δημιουργηθεί από τα άρθρα της παραπάνω ροής.

Τα επόμενα δύο πεδία (Παλιότερο άρθρο και Μέγιστος αριθμός άρθρων) σας δίνουν κάποιο έλεγχο πάνω στο πόσα άρθρα πρέπει να ληφθούν από κάθε ροή, και είναι αρκετά αυτονόητα.

Για να προσθέσετε ροές σε συνταγή, εισάγετε τον τίτλο και τη διεύθυνση URL της ροής και πατήστε το κουμπί Προσθήκη ροής. Αφού προσθέσετε τη ροή, απλώς πατήστε το κουμπί Αποθήκευση και τελειώσατε! Κλείστε το διάλογο.

Για να δοκιμάσετε τη νέα σας συνταγή, πατήστε το κουμπί Λήψη ειδήσεων και στο υπομενού Εξατομικευμένες πηγές ειδήσεων επιλέξτε Ιστολόγιο calibre. Μετά από λίγα λεπτά, το νεοληφθέν ψηφιακό βιβλίο με τις αναρτήσεις του ιστολόγιου θα εμφανιστεί στην προβολή της κύριας βιβλιοθήκης (αν έχετε συνδεδεμένη τη συσκευή ανάγνωσής σας, θα αποσταλεί σε αυτήν αντί για τη βιβλιοθήκη). Επιλέξτε το βιβλίο και χτυπήστε το κουμπί Προβολή για να διαβάσετε!

Ο λόγος που αυτό λειτούργησε τόσο καλά, με τόσο λίγο κόπο, είναι γιατί το ιστολόγιο παρέχει πλήρους περιεχομένου ροές RSS, δηλαδή τα περιεχόμενα άρθρα είναι ενσωματωμένα στην ίδια τη ροή. Για τις περισσότερες πηγές ειδήσεων που παρέχουν νέα με αυτό τον τρόπο, με πλήρους περιεχομένου ροές, δεν απαιτείται πρόσθετος κόπος για τη μετατροπή τους σε ψηφιακά βιβλία. Τώρα θα κοιτάξουμε σε μια πηγή ειδήσεων που δεν παρέχει ροές πλήρους περιεχομένου. Σε τέτοιες ροές, το πλήρες άρθρο είναι μια ιστοσελίδα, και η ροή περιέχει μόνο ένα σύνδεσμο στην ιστοσελίδα, μαζί με μια συνοπτική περιγραφή του άρθρου.

bbc.co.uk

Ας δοκιμάσουμε τις επόμενες δύο ροές από το BBC:

Ακολουθήστε τη διαδικασία που περιγράφηκε στην ενότητα Το ιστολόγιο του calibre παραπάνω για τη δημιουργία συνταγής για το BBC (με χρήση των προαναφερθέντων ροών). Κοιτώντας στο ληφθέν ψηφιακό βιβλίο, βλέπουμε ότι το calibre έχει κάνει μια αξιόπιστη δουλειά στην επιλογή του περιεχομένου που σας ενδιαφέρει από την ιστοσελίδα του κάθε άρθρου. Ωστόσο, η διαδικασία επιλογής δεν είναι τέλεια. Μερικές φορές αφήνει ανεπιθύμητο περιεχόμενο όπως μενού και βοηθήματα πλοήγησης, ή αφαιρεί περιεχόμενο που θα έπρεπε να έχει επιλεγεί, όπως επικεφαλίδες άρθρων. Για να τελειοποιηθεί η διαδικασία επιλογής θα χρειαστεί να εξατομικεύσουμε τη διαδικασία λήψης όπως περιγράφεται στην επόμενη ενότητα.

Εξατομίκευση της διαδικασίας λήψης

Όταν θέλετε να τελειοποιήσετε την διαδικασία λήψης, ή να λάβετε περιεχόμενο από μια ιδιαιτέρως περίπλοκη ιστοσελίδα, μπορείτε να θέσετε στη διάθεσή σας όλη την ισχύ και την προσαρμοστικότητα του μηχανισμού των συνταγών. Για να το κάνετε αυτό, στο διάλογο Προσθήκη εξατομικευμένης πηγής ειδήσεων, απλώς πατήστε το κουμπί Αλλαγή σε κατάσταση για προχωρημένους.

Η ευκολότερη και συχνά πιο παραγωγική προσαρμογή είναι να χρησιμοποιήσετε την εκτυπώσιμη έκδοση των διαδικτυακών άρθρων. Η εκτυπώσιμη έκδοση έχει τυπικά πολύ λιγότερους πλεονασμούς και μετατρέπεται πολύ ομαλότερα σε ψηφιακό βιβλίο. Ας προσπαθήσουμε να χρησιμοποιήσουμε την εκτυπώσιμη έκδοση από τα άρθρα του BBC.

Χρήση της εκτυπώσιμης έκδοσης του bbc.co.uk

Το πρώτο βήμα είναι να κοιτάξουμε το ψηφιακό βιβλίο που λάβαμε προηγουμένως από το bbc.co.uk. Στο τέλος κάθε άρθρου, το ψηφιακό βιβλίο έχει μια μικρή σύνοψη που σας λέει από που λάβατε το άρθρο. Αντιγράψτε και επικολλήστε αυτό το URL σε ένα φυλλομετρητή. Τώρα, στην ιστοσελίδα του άρθρου, κοιτάξτε για κάποιο σύνδεσμο που δείχνει στην «εκτυπώσιμη έκδοση». Πατήστε τον για να δείτε την εκτυπώσιμη έκδοση του άρθρου. Φαίνεται πολύ καλύτερη! Τώρα, συγκρίνετε τα δύο URL. Για μένα ήταν τα:

Συνεπώς για να πάρουμε την εκτυπώσιμη έκδοση φαίνεται πως χρειάζεται να βάλουμε σε κάθε URL το πρόθεμα:

newsvote.bbc.co.uk/mpapps/pagetools/print/

Τώρα, στην Κατάσταση για προχωρημένους του διαλόγου Προσθήκη εξατομικευμένης πηγής ειδήσεων, πρέπει να δείτε κάτι σαν (θυμηθείτε να επιλέξετε τη συνταγή BBC πριν πάτε στην κατάσταση για προχωρημένους):

_images/bbc_advanced.png

Μπορείτε να δείτε ότι τα πεδία από τη Βασική κατάσταση έχουν μεταφραστεί σε κώδικα Python με ένα ξεκάθαρο τρόπο. Χρειαζόμαστε την προσθήκη εντολών στη συνταγή αυτή, για να χρησιμοποιεί την εκτυπώσιμη έκδοση των άρθρων. Το μόνο που χρειάζεται είναι να προσθέσουμε τις ακόλουθες 2 γραμμές:

def print_version(self, url):
    return url.replace('https://', 'https://newsvote.bbc.co.uk/mpapps/pagetools/print/')

Έχουμε να κάνουμε με την Python, οπότε οι εσοχές είναι σημαντικές. Αφού έχετε προσθέσει τις γραμμές, θα πρέπει να μοιάζει με το εξής:

_images/bbc_altered.png

Στα παραπάνω, η def print_version(self, url) ορίζει μια μέθοδο που καλείται από το calibre για κάθε άρθρο. Το url είναι το URL του αρχικού άρθρου. Αυτό που κάνει η print_version είναι να πάρει αυτό το url και να το αντικαταστήσει με το νέο URL που δείχνει στην εκτυπώσιμη έκδοση του άρθρου. Για να μάθετε για την Python δείτε τον `οδηγό εκμάθησης<https://docs.python.org/tutorial/>`_.

Τώρα, πατήστε το κουμπί Προσθήκη/ενημέρωση συνταγής και οι αλλαγές σας θα αποθηκευτούν. Κατεβάστε ξανά το ψηφιακό βιβλίο. Θα πρέπει να έχετε ένα αρκετά καλύτερο ψηφιακό βιβλίο. Ένα από τα προβλήματα με τη νέα έκδοση είναι ότι οι γραμματοσειρές στην ιστοσελίδα της εκτυπώσιμης έκδοσης είναι υπερβολικά μικρές. Αυτό διορθώνεται αυτόματα κατά τη μετατροπή σε ψηφιακό βιβλίο, αλλά ακόμα και μετά την επιδιόρθωση το μέγεθος της γραμματοσειράς των μενού και της μπάρας πλοήγησης γίνονται πολύ μεγάλα συγκριτικά με το κείμενο του άρθρου. Για να διορθωθεί αυτό, θα κάνουμε λίγη παραπάνω εξατομίκευση στην επόμενη ενότητα.

Αντικατάσταση του στυλ των άρθρων

Στην προηγούμενη ενότητα είδαμε πως το μέγεθος της γραμματοσειράς των άρθρων στην εκτυπώσιμη έκδοσή τους στο BBC ήταν πολύ μικρό. Στις περισσότερες ιστοσελίδες, συμπεριλαμβανομένου του BBC, το μέγεθος της γραμματοσειράς ορίζεται με χρήση φύλλων στυλ CSS. Μπορούμε να απενεργοποιήσουμε τη λήψη τέτοιων φύλλων στυλ προσθέτοντας τη γραμμή:

no_stylesheets = True

Η συνταγή τώρα μοιάζει με:

_images/bbc_altered1.png

Η νέα έκδοση φαίνεται πολύ καλή. Αν είστε τελειομανείς, θα θέλετε να διαβάσετε την επόμενη ενότητα, η οποία ουσιαστικά πραγματεύεται την τροποποίηση του ληφθέντος περιεχομένου.

Τομές και τεμαχισμός

Το calibre έχει πολύ ισχυρές και ευπροσάρμοστες ικανότητες για τη διαχείριση ληφθέντος περιεχομένου. Για να επιδείξουμε λίγες εξ αυτών, ας κοιτάξουμε τον παλιόφιλό μας, τη συνταγή BBC, για μια ακόμα φορά. Κοιτώντας τον πηγαίο κώδικα (HTML) σε λίγα άρθρα (στην εκτυπώσιμη έκδοσή τους), βλέπουμε ότι έχουν ένα υποσέλιδο που δεν περιέχει καμιά χρήσιμη πληροφορία, το οποίο περιέχεται στο

<div class="footer">
...
</div>

Αυτό μπορεί να αφαιρεθεί προσθέτοντας:

remove_tags    = [dict(name='div', attrs={'class':'footer'})]

στη συνταγή. Τέλος, ας αντικαταστήσουμε κάποια από τα CSS που απενεργοποιήσαμε νωρίτερα, με δικά μας CSS, τα οποία είναι κατάλληλα για μετατροπή σε ψηφιακό βιβλίο:

extra_css      = '.headline {font-size: x-large;} \n .fact { padding-top: 10pt  }'

Με αυτές τις προσθήκες, η συνταγή μας έχει αποκτήσει «ποιότητα παραγωγής». Ουσιαστικά, είναι πολύ κοντά στην πραγματική συνταγή που χρησιμοποιεί το calibre για το BBC, η οποία παρατίθεται κάτωθι:

##
# Title:        BBC News, Sport, and Blog Calibre Recipe
# Contact:      mattst - jmstanfield@gmail.com
##
# License:      GNU General Public License v3 - https://www.gnu.org/copyleft/gpl.html
# Copyright:    mattst - jmstanfield@gmail.com
##
# Written:      November 2011
# Last Edited:  2011-11-19
##

__license__ = 'GNU General Public License v3 - https://www.gnu.org/copyleft/gpl.html'
__copyright__ = 'mattst - jmstanfield@gmail.com'


'''
BBC News, Sport, and Blog Calibre Recipe
'''

# Import the regular expressions module.
import re

# Import the BasicNewsRecipe class which this class extends.
from calibre.web.feeds.recipes import BasicNewsRecipe


def classes(classes):
    q = frozenset(classes.split(' '))
    return dict(attrs={
        'class': lambda x: x and frozenset(x.split()).intersection(q)})


class BBCNews(BasicNewsRecipe):

    #
    #    **** IMPORTANT USERS READ ME ****
    #
    #  First select the feeds you want then scroll down below the feeds list
    #  and select the values you want for the other user preferences, like
    #  oldest_article and such like.
    #
    #
    #  Select the BBC rss feeds which you want in your ebook.
    #  Selected feed have NO '#' at their start, de-selected feeds begin with a '#'.
    #
    #  Eg.  ("News Home", "https://feeds.bbci.co.uk/... - include feed.
    #  Eg. #("News Home", "https://feeds.bbci.co.uk/... - do not include feed.
    #
    # There are 68 feeds below which constitute the bulk of the available rss
    # feeds on the BBC web site. These include 5 blogs by editors and
    # correspondents, 16 sports feeds, 15 'sub' regional feeds (Eg. North West
    # Wales, Scotland Business), and 7 Welsh language feeds.
    #
    # Some of the feeds are low volume (Eg. blogs), or very low volume (Eg. Click)
    # so if "oldest_article = 1.5" (only articles published in the last 36 hours)
    # you may get some 'empty feeds' which will not then be included in the ebook.
    #
    # The 15 feeds currently selected below are simply my default ones.
    #
    # Note: With all 68 feeds selected, oldest_article set to 2,
    # max_articles_per_feed set to 100, and simultaneous_downloads set to 10,
    # the ebook creation took 29 minutes on my speedy 100 mbps net connection,
    # fairly high-end desktop PC running Linux (Ubuntu Lucid-Lynx).
    # More realistically with 15 feeds selected, oldest_article set to 1.5,
    # max_articles_per_feed set to 100, and simultaneous_downloads set to 20,
    # it took 6 minutes. If that's too slow increase 'simultaneous_downloads'.
    #
    # Select / de-select the feeds you want in your ebook.
    #
    feeds = [
        ("News Home", "https://feeds.bbci.co.uk/news/rss.xml"),
        ("UK", "https://feeds.bbci.co.uk/news/uk/rss.xml"),
        ("World", "https://feeds.bbci.co.uk/news/world/rss.xml"),
        # ("England", "https://feeds.bbci.co.uk/news/england/rss.xml"),
        # ("Scotland", "https://feeds.bbci.co.uk/news/scotland/rss.xml"),
        # ("Wales", "https://feeds.bbci.co.uk/news/wales/rss.xml"),
        # ("N. Ireland", "https://feeds.bbci.co.uk/news/northern_ireland/rss.xml"),
        # ("Africa", "https://feeds.bbci.co.uk/news/world/africa/rss.xml"),
        # ("Asia", "https://feeds.bbci.co.uk/news/world/asia/rss.xml"),
        # ("Europe", "https://feeds.bbci.co.uk/news/world/europe/rss.xml"),
        # ("Latin America", "https://feeds.bbci.co.uk/news/world/latin_america/rss.xml"),
        # ("Middle East", "https://feeds.bbci.co.uk/news/world/middle_east/rss.xml"),
        ("US & Canada", "https://feeds.bbci.co.uk/news/world/us_and_canada/rss.xml"),
        ("Politics", "https://feeds.bbci.co.uk/news/politics/rss.xml"),
        ("Science/Environment",
         "https://feeds.bbci.co.uk/news/science_and_environment/rss.xml"),
        ("Technology", "https://feeds.bbci.co.uk/news/technology/rss.xml"),
        ("Magazine", "https://feeds.bbci.co.uk/news/magazine/rss.xml"),
        ("Entertainment/Arts",
         "https://feeds.bbci.co.uk/news/entertainment_and_arts/rss.xml"),
        # ("Health", "https://feeds.bbci.co.uk/news/health/rss.xml"),
        # ("Education/Family", "https://feeds.bbci.co.uk/news/education/rss.xml"),
        ("Business", "https://feeds.bbci.co.uk/news/business/rss.xml"),
        ("Special Reports", "https://feeds.bbci.co.uk/news/special_reports/rss.xml"),
        ("Also in the News", "https://feeds.bbci.co.uk/news/also_in_the_news/rss.xml"),
        # ("Newsbeat", "https://www.bbc.co.uk/newsbeat/rss.xml"),
        # ("Click", "https://newsrss.bbc.co.uk/rss/newsonline_uk_edition/programmes/click_online/rss.xml"),
        # ("Blog: Mark D'Arcy (Parliamentary Correspondent)", "https://feeds.bbci.co.uk/news/correspondents/markdarcy/rss.sxml"),
        # ("Blog: Robert Peston (Business Editor)", "https://feeds.bbci.co.uk/news/correspondents/robertpeston/rss.sxml"),
        # ("Blog: Stephanie Flanders (Economics Editor)", "https://feeds.bbci.co.uk/news/correspondents/stephanieflanders/rss.sxml"),
        ("Sport Front Page",
         "https://newsrss.bbc.co.uk/rss/sportonline_uk_edition/front_page/rss.xml"),
        # ("Football", "https://newsrss.bbc.co.uk/rss/sportonline_uk_edition/football/rss.xml"),
        # ("Cricket", "https://newsrss.bbc.co.uk/rss/sportonline_uk_edition/cricket/rss.xml"),
        # ("Rugby Union", "https://newsrss.bbc.co.uk/rss/sportonline_uk_edition/rugby_union/rss.xml"),
        # ("Rugby League", "https://newsrss.bbc.co.uk/rss/sportonline_uk_edition/rugby_league/rss.xml"),
        # ("Tennis", "https://newsrss.bbc.co.uk/rss/sportonline_uk_edition/tennis/rss.xml"),
        # ("Golf", "https://newsrss.bbc.co.uk/rss/sportonline_uk_edition/golf/rss.xml"),
        # ("Motorsport", "https://newsrss.bbc.co.uk/rss/sportonline_uk_edition/motorsport/rss.xml"),
        # ("Boxing", "https://newsrss.bbc.co.uk/rss/sportonline_uk_edition/boxing/rss.xml"),
        # ("Athletics", "https://newsrss.bbc.co.uk/rss/sportonline_uk_edition/athletics/rss.xml"),
        # ("Snooker", "https://newsrss.bbc.co.uk/rss/sportonline_uk_edition/other_sports/snooker/rss.xml"),
        # ("Horse Racing", "https://newsrss.bbc.co.uk/rss/sportonline_uk_edition/other_sports/horse_racing/rss.xml"),
        # ("Cycling", "https://newsrss.bbc.co.uk/rss/sportonline_uk_edition/other_sports/cycling/rss.xml"),
        # ("Disability Sport", "https://newsrss.bbc.co.uk/rss/sportonline_uk_edition/other_sports/disability_sport/rss.xml"),
        # ("Other Sport", "https://newsrss.bbc.co.uk/rss/sportonline_uk_edition/other_sports/rss.xml"),
        # ("Olympics 2012", "https://newsrss.bbc.co.uk/rss/sportonline_uk_edition/other_sports/olympics_2012/rss.xml"),
        # ("N. Ireland Politics", "https://feeds.bbci.co.uk/news/northern_ireland/northern_ireland_politics/rss.xml"),
        # ("Scotland Politics", "https://feeds.bbci.co.uk/news/scotland/scotland_politics/rss.xml"),
        # ("Scotland Business", "https://feeds.bbci.co.uk/news/scotland/scotland_business/rss.xml"),
        # ("E. Scotland, Edinburgh & Fife", "https://feeds.bbci.co.uk/news/scotland/edinburgh_east_and_fife/rss.xml"),
        # ("W. Scotland & Glasgow", "https://feeds.bbci.co.uk/news/scotland/glasgow_and_west/rss.xml"),
        # ("Highlands & Islands", "https://feeds.bbci.co.uk/news/scotland/highlands_and_islands/rss.xml"),
        # ("NE. Scotland, Orkney & Shetland", "https://feeds.bbci.co.uk/news/scotland/north_east_orkney_and_shetland/rss.xml"),
        # ("South Scotland", "https://feeds.bbci.co.uk/news/scotland/south_scotland/rss.xml"),
        # ("Central Scotland & Tayside", "https://feeds.bbci.co.uk/news/scotland/tayside_and_central/rss.xml"),
        # ("Wales Politics", "https://feeds.bbci.co.uk/news/wales/wales_politics/rss.xml"),
        # ("NW. Wales", "https://feeds.bbci.co.uk/news/wales/north_west_wales/rss.xml"),
        # ("NE. Wales", "https://feeds.bbci.co.uk/news/wales/north_east_wales/rss.xml"),
        # ("Mid. Wales", "https://feeds.bbci.co.uk/news/wales/mid_wales/rss.xml"),
        # ("SW. Wales", "https://feeds.bbci.co.uk/news/wales/south_west_wales/rss.xml"),
        # ("SE. Wales", "https://feeds.bbci.co.uk/news/wales/south_east_wales/rss.xml"),
        # ("Newyddion - News in Welsh", "https://feeds.bbci.co.uk/newyddion/rss.xml"),
        # ("Gwleidyddiaeth", "https://feeds.bbci.co.uk/newyddion/gwleidyddiaeth/rss.xml"),
        # ("Gogledd-Ddwyrain", "https://feeds.bbci.co.uk/newyddion/gogledd-ddwyrain/rss.xml"),
        # ("Gogledd-Orllewin", "https://feeds.bbci.co.uk/newyddion/gogledd-orllewin/rss.xml"),
        # ("Canolbarth", "https://feeds.bbci.co.uk/newyddion/canolbarth/rss.xml"),
        # ("De-Ddwyrain", "https://feeds.bbci.co.uk/newyddion/de-ddwyrain/rss.xml"),
        # ("De-Orllewin", "https://feeds.bbci.co.uk/newyddion/de-orllewin/rss.xml"),
    ]

    #    **** SELECT YOUR USER PREFERENCES ****

    # Title to use for the ebook.
    #
    title = 'BBC News'

    # A brief description for the ebook.
    #
    description = u'BBC web site ebook created using rss feeds.'

    # The max number of articles which may be downloaded from each feed.
    # I've never seen more than about 70 articles in a single feed in the
    # BBC feeds.
    #
    max_articles_per_feed = 100

    # The max age of articles which may be downloaded from each feed. This is
    # specified in days - note fractions of days are allowed, Eg. 2.5 (2 and a
    # half days). My default of 1.5 days is the last 36 hours, the point at
    # which I've decided 'news' becomes 'old news', but be warned this is not
    # so good for the blogs, technology, magazine, etc., and sports feeds.
    # You may wish to extend this to 2-5 but watch out ebook creation time will
    # increase as well. Setting this to 30 will get everything (AFAICT) as long
    # as max_articles_per_feed remains set high (except for 'Click' which is
    # v. low volume and its currently oldest article is 4th Feb 2011).
    #
    oldest_article = 1.5

    # Number of simultaneous downloads. 20 is consistantly working fine on the
    # BBC News feeds with no problems. Speeds things up from the defualt of 5.
    # If you have a lot of feeds and/or have increased oldest_article above 2
    # then you may wish to try increasing simultaneous_downloads to 25-30,
    # Or, of course, if you are in a hurry. [I've not tried beyond 20.]
    #
    simultaneous_downloads = 20

    # Timeout for fetching files from the server in seconds. The default of
    # 120 seconds, seems somewhat excessive.
    #
    timeout = 30

    # The format string for the date shown on the ebook's first page.
    # List of all values: https://docs.python.org/library/time.html
    # Default in news.py has a leading space so that's mirrored here.
    # As with 'feeds' select/de-select by adding/removing the initial '#',
    # only one timefmt should be selected, here's a few to choose from.
    #
    # [Fri, 14 Nov 2011] (Calibre default)
    timefmt = ' [%a, %d %b %Y]'
    # timefmt = ' [%a, %d %b %Y %H:%M]'       # [Fri, 14 Nov 2011 18:30]
    # timefmt = ' [%a, %d %b %Y %I:%M %p]'    # [Fri, 14 Nov 2011 06:30 PM]
    # timefmt = ' [%d %b %Y]'                 # [14 Nov 2011]
    # timefmt = ' [%d %b %Y %H:%M]'           # [14 Nov 2011 18.30]
    # timefmt = ' [%Y-%m-%d]'                 # [2011-11-14]
    # timefmt = ' [%Y-%m-%d-%H-%M]'           # [2011-11-14-18-30]

    #
    #    **** IMPORTANT ****
    #
    #    DO NOT EDIT BELOW HERE UNLESS YOU KNOW WHAT YOU ARE DOING.
    #
    #    DO NOT EDIT BELOW HERE UNLESS YOU KNOW WHAT YOU ARE DOING.
    #
    #    I MEAN IT, YES I DO, ABSOLUTELY, AT YOU OWN RISK. :)
    #
    #    **** IMPORTANT ****
    #

    # Author of this recipe.
    __author__ = 'mattst'

    # Specify English as the language of the RSS feeds (ISO-639 code).
    language = 'en_GB'

    # Set tags.
    tags = 'news, sport, blog'

    # Set publisher and publication type.
    publisher = 'BBC'
    publication_type = 'newspaper'

    # Disable stylesheets from site.
    no_stylesheets = True

    # Specifies an override encoding for sites that have an incorrect charset
    # specified. Default of 'None' says to auto-detect. Some other BBC recipes
    # use 'utf8', which works fine (so use that if necessary) but auto-detecting
    # with None is working fine, so stick with that for robustness.
    encoding = None

    # Sets whether a feed has full articles embedded in it. The BBC feeds do
    # not.
    use_embedded_content = False

    # Removes empty feeds - why keep them!?
    remove_empty_feeds = True
    ignore_duplicate_articles = {'title', 'url'}
    resolve_internal_links = True

    # Create a custom title which fits nicely in the Kindle title list.
    # Requires "import time" above class declaration, and replacing
    # title with custom_title in conversion_options (right column only).
    # Example of string below: "BBC News - 14 Nov 2011"
    #
    # custom_title = "BBC News - " + time.strftime('%d %b %Y')

    # Conversion options for advanced users. Avoid setting 'linearize_tables'
    # as that plays havoc with the 'old style' table based pages.
    conversion_options = {
        # 'title'       : title,
        # 'comments'    : description,
        # 'tags'        : tags,
        # 'language'    : language,
        # 'publisher'   : publisher,
        # 'authors'     : publisher,
        'smarten_punctuation' : True
    }

    # Specify extra CSS - overrides ALL other CSS (IE. Added last).
    extra_css = 'body { font-family: verdana, helvetica, sans-serif; } \
                 .introduction, .first { font-weight: bold; } \
                 .cross-head { font-weight: bold; font-size: 125%; } \
                 .cap, .caption { display: block; font-size: 80%; font-style: italic; } \
                 .cap, .caption, .caption img, .caption span { display: block; text-align: center; margin: 5px auto; } \
                 .byl, .byd, .byline img, .byline-name, .byline-title, .author-name, .author-position, \
                    .correspondent-portrait img, .byline-lead-in, .name, .bbc-role { display: block; \
                    text-align: center; font-size: 80%; font-style: italic; margin: 1px auto; } \
                 .story-date, .published { font-size: 80%; } \
                 table { width: 100%; } \
                 td img { display: block; margin: 5px auto; } \
                 ul { padding-top: 10px; } \
                 ol { padding-top: 10px; } \
                 li { padding-top: 5px; padding-bottom: 5px; } \
                 h1 { text-align: center; font-size: 175%; font-weight: bold; } \
                 h2 { text-align: center; font-size: 150%; font-weight: bold; } \
                 h3 { text-align: center; font-size: 125%; font-weight: bold; } \
                 h4, h5, h6 { text-align: center; font-size: 100%; font-weight: bold; }'

    # Remove various tag attributes to improve the look of the ebook pages.
    remove_attributes = ['border', 'cellspacing', 'align', 'cellpadding', 'colspan',
                         'valign', 'vspace', 'hspace', 'alt', 'width', 'height']

    # Remove the (admittedly rarely used) line breaks, "<br />", which sometimes
    # cause a section of the ebook to start in an unsightly fashion or, more
    # frequently, a "<br />" will muck up the formatting of a correspondant's byline.
    # "<br />" and "<br clear/>" are far more frequently used on the table formatted
    # style of pages, and really spoil the look of the ebook pages.
    preprocess_regexps = [(re.compile(r'<br[ ]*/>', re.IGNORECASE), lambda m: ''),
                          (re.compile(r'<br[ ]*clear.*/>', re.IGNORECASE), lambda m: '')]

    # Create regular expressions for tag keeping and removal to make the matches more
    # robust against minor changes and errors in the HTML, Eg. double spaces, leading
    # and trailing spaces, missing hyphens, and such like.
    # Python regular expression ('re' class) page:
    # https://docs.python.org/library/re.html

    # ***************************************
    # Regular expressions for keep_only_tags:
    # ***************************************

    # The BBC News HTML pages use variants of 'storybody' to denote the section of a HTML
    # page which contains the main text of the article. Match storybody variants: 'storybody',
    # 'story-body', 'story body','storybody ', etc.
    storybody_reg_exp = '^.*story[_ -]*body.*$'

    # The BBC sport and 'newsbeat' (features) HTML pages use 'blq_content' to hold the title
    # and published date. This is one level above the usual news pages which have the title
    # and date within 'story-body'. This is annoying since 'blq_content' must also be kept,
    # resulting in a lot of extra things to be removed by remove_tags.
    blq_content_reg_exp = '^.*blq[_ -]*content.*$'

    # The BBC has an alternative page design structure, which I suspect is an out-of-date
    # design but which is still used in some articles, Eg. 'Click' (technology), 'FastTrack'
    # (travel), and in some sport pages. These alternative pages are table based (which is
    # why I think they are an out-of-date design) and account for -I'm guesstimaking- less
    # than 1% of all articles. They use a table class 'storycontent' to hold the article
    # and like blq_content (above) have required lots of extra removal by
    # remove_tags.
    story_content_reg_exp = '^.*story[_ -]*content.*$'

    # Keep the sections of the HTML which match the list below. The HTML page created by
    # Calibre will fill <body> with those sections which are matched. Note that the
    # blq_content_reg_exp must be listed before storybody_reg_exp in keep_only_tags due to
    # it being the parent of storybody_reg_exp, that is to say the div class/id 'story-body'
    # will be inside div class/id 'blq_content' in the HTML (if 'blq_content' is there at
    # all). If they are the other way around in keep_only_tags then blq_content_reg_exp
    # will end up being discarded.
    keep_only_tags = [dict(name='table', attrs={'class': re.compile(story_content_reg_exp, re.IGNORECASE)}),
                      dict(name='div',   attrs={'class': re.compile(
                           blq_content_reg_exp, re.IGNORECASE)}),
                      dict(name='div',   attrs={'id': re.compile(
                           blq_content_reg_exp, re.IGNORECASE)}),
                      dict(name='div',   attrs={'class': re.compile(
                           storybody_reg_exp, re.IGNORECASE)}),
                      dict(name='div',   attrs={'id': re.compile(storybody_reg_exp, re.IGNORECASE)})]

    # ************************************
    # Regular expressions for remove_tags:
    # ************************************

    # Regular expression to remove share-help and variant tags. The share-help class
    # is used by the site for a variety of 'sharing' type links, Eg. Facebook, delicious,
    # twitter, email. Removed to avoid page clutter.
    share_help_reg_exp = '^.*share[_ -]*help.*$'

    # Regular expression to remove embedded-hyper and variant tags. This class is used to
    # display links to other BBC News articles on the same/similar subject.
    embedded_hyper_reg_exp = '^.*embed*ed[_ -]*hyper.*$'

    # Regular expression to remove hypertabs and variant tags. This class is used to
    # display a tab bar at the top of an article which allows the user to switch to
    # an article (viewed on the same page) providing further info., 'in depth' analysis,
    # an editorial, a correspondant's blog entry, and such like. The ability to handle
    # a tab bar of this nature is currently beyond the scope of this recipe and
    # possibly of Calibre itself (not sure about that - TO DO - check!).
    hypertabs_reg_exp = '^.*hyper[_ -]*tabs.*$'

    # Regular expression to remove story-feature and variant tags. Eg. 'story-feature',
    # 'story-feature related narrow', 'story-feature wide', 'story-feature narrow'.
    # This class is used to add additional info. boxes, or small lists, outside of
    # the main story. TO DO: Work out a way to incorporate these neatly.
    story_feature_reg_exp = '^.*story[_ -]*feature.*$'

    # Regular expression to remove video and variant tags, Eg. 'videoInStoryB',
    # 'videoInStoryC'. This class is used to embed video.
    video_reg_exp = '^.*video.*$'

    # Regular expression to remove audio and variant tags, Eg. 'audioInStoryD'.
    # This class is used to embed audio.
    audio_reg_exp = '^.*audio.*$'

    # Regular expression to remove pictureGallery and variant tags, Eg. 'pictureGallery'.
    # This class is used to embed a photo slideshow. See also 'slideshow'
    # below.
    picture_gallery_reg_exp = '^.*picture.*$'

    # Regular expression to remove slideshow and variant tags, Eg. 'dslideshow-enclosure'.
    # This class is used to embed a slideshow (not necessarily photo) but both
    # 'slideshow' and 'pictureGallery' are used for slideshows.
    slideshow_reg_exp = '^.*slide[_ -]*show.*$'

    # Regular expression to remove social-links and variant tags. This class is used to
    # display links to a BBC bloggers main page, used in various columnist's blogs
    # (Eg. Nick Robinson, Robert Preston).
    social_links_reg_exp = '^.*social[_ -]*links.*$'

    # Regular expression to remove quote and (multi) variant tags, Eg. 'quote',
    # 'endquote', 'quote-credit', 'quote-credit-title', etc. These are usually
    # removed by 'story-feature' removal (as they are usually within them), but
    # not always. The quotation removed is always (AFAICT) in the article text
    # as well but a 2nd copy is placed in a quote tag to draw attention to it.
    # The quote class tags may or may not appear in div's.
    quote_reg_exp = '^.*quote.*$'

    # Regular expression to remove hidden and variant tags, Eg. 'hidden'.
    # The purpose of these is unclear, they seem to be an internal link to a
    # section within the article, but the text of the link (Eg. 'Continue reading
    # the main story') never seems to be displayed anyway. Removed to avoid clutter.
    # The hidden class tags may or may not appear in div's.
    hidden_reg_exp = '^.*hidden.*$'

    # Regular expression to remove comment and variant tags, Eg. 'comment-introduction'.
    # Used on the site to display text about registered users entering
    # comments.
    comment_reg_exp = '^.*comment.*$'

    # Regular expression to remove form and variant tags, Eg. 'comment-form'.
    # Used on the site to allow registered BBC users to fill in forms, typically
    # for entering comments about an article.
    form_reg_exp = '^.*form.*$'

    # Extra things to remove due to the addition of 'blq_content' in
    # keep_only_tags.

    # <div class="story-actions"> Used on sports pages for 'email' and 'print'.
    story_actions_reg_exp = '^.*story[_ -]*actions.*$'

    # <div class="bookmark-list"> Used on sports pages instead of 'share-help' (for
    # social networking links).
    bookmark_list_reg_exp = '^.*bookmark[_ -]*list.*$'

    # <div id="secondary-content" class="content-group">
    # NOTE: Don't remove class="content-group" that is needed.
    # Used on sports pages to link to 'similar stories'.
    secondary_content_reg_exp = '^.*secondary[_ -]*content.*$'

    # <div id="featured-content" class="content-group">
    # NOTE: Don't remove class="content-group" that is needed.
    # Used on sports pages to link to pages like 'tables', 'fixtures', etc.
    featured_content_reg_exp = '^.*featured[_ -]*content.*$'

    # <div id="navigation">
    # Used on sports pages to link to pages like 'tables', 'fixtures', etc.
    # Used sometimes instead of "featured-content" above.
    navigation_reg_exp = '^.*navigation.*$'

    # <a class="skip" href="#blq-container-inner">Skip to top</a>
    # Used on sports pages to link to the top of the page.
    skip_reg_exp = '^.*skip.*$'

    # Extra things to remove due to the addition of 'storycontent' in keep_only_tags,
    # which are the alterative table design based pages. The purpose of some of these
    # is not entirely clear from the pages (which are a total mess!).

    # Remove mapping based tags, Eg. <map id="world_map">
    # The dynamic maps don't seem to work during ebook creation. TO DO:
    # Investigate.
    map_reg_exp = '^.*map.*$'

    # Remove social bookmarking variation, called 'socialBookMarks'.
    social_bookmarks_reg_exp = '^.*social[_ -]*bookmarks.*$'

    # Remove page navigation tools, like 'search', 'email', 'print', called
    # 'blq-mast'.
    blq_mast_reg_exp = '^.*blq[_ -]*mast.*$'

    # Remove 'sharesb', I think this is a generic 'sharing' class. It seems to appear
    # alongside 'socialBookMarks' whenever that appears. I am removing it as well
    # under the assumption that it can appear alone as well.
    sharesb_reg_exp = '^.*sharesb.*$'

    # Remove class 'o'. The worst named user created css class of all time. The creator
    # should immediately be fired. I've seen it used to hold nothing at all but with
    # 20 or so empty lines in it. Also to hold a single link to another article.
    # Whatever it was designed to do it is not wanted by this recipe. Exact
    # match only.
    o_reg_exp = '^o$'

    # Remove 'promotopbg' and 'promobottombg', link lists. Have decided to
    # use two reg expressions to make removing this (and variants) robust.
    promo_top_reg_exp = '^.*promotopbg.*$'
    promo_bottom_reg_exp = '^.*promobottombg.*$'

    # Remove 'nlp', provides heading for link lists. Requires an exact match due to
    # risk of matching those letters in something needed, unless I see a variation
    # of 'nlp' used at a later date.
    nlp_reg_exp = '^nlp$'

    # Remove 'mva', provides embedded floating content of various types. Variant 'mvb'
    # has also now been seen. Requires an exact match of 'mva' or 'mvb' due to risk of
    # matching those letters in something needed.
    mva_or_mvb_reg_exp = '^mv[ab]$'

    # Remove 'mvtb', seems to be page navigation tools, like 'blq-mast'.
    mvtb_reg_exp = '^mvtb$'

    # Remove 'blq-toplink', class to provide a link to the top of the page.
    blq_toplink_reg_exp = '^.*blq[_ -]*top[_ -]*link.*$'

    # Remove 'products and services' links, Eg. desktop tools, alerts, and so on.
    # Eg. Class="servicev4 ukfs_services" - what a mess of a name. Have decided to
    # use two reg expressions to make removing this (and variants) robust.
    prods_services_01_reg_exp = '^.*servicev4.*$'
    prods_services_02_reg_exp = '^.*ukfs[_ -]*services.*$'

    # Remove -what I think is- some kind of navigation tools helper class, though I am
    # not sure, it's called: 'blq-rst blq-new-nav'. What I do know is it pops up
    # frequently and it is not wanted. Have decided to use two reg expressions to make
    # removing this (and variants) robust.
    blq_misc_01_reg_exp = '^.*blq[_ -]*rst.*$'
    blq_misc_02_reg_exp = '^.*blq[_ -]*new[_ -]*nav.*$'

    # Remove 'puffbox' - this may only appear inside 'storyextra', so it may not
    # need removing - I have no clue what it does other than it contains links.
    # Whatever it is - it is not part of the article and is not wanted.
    puffbox_reg_exp = '^.*puffbox.*$'

    # Remove 'sibtbg' and 'sibtbgf' - some kind of table formatting classes.
    sibtbg_reg_exp = '^.*sibtbg.*$'

    # Remove 'storyextra' - links to relevant articles and external sites.
    storyextra_reg_exp = '^.*story[_ -]*extra.*$'

    remove_tags = [
        classes('sharetools share-tools--no-event-tag'),
        dict(name='div',  attrs={'class': re.compile(story_feature_reg_exp, re.IGNORECASE)}),
        dict(name='div',  attrs={'class': re.compile(
            share_help_reg_exp, re.IGNORECASE)}),
        dict(name='div',  attrs={'class': re.compile(
            embedded_hyper_reg_exp, re.IGNORECASE)}),
        dict(name='div',  attrs={'class': re.compile(
            hypertabs_reg_exp, re.IGNORECASE)}),
        dict(name='div',  attrs={'class': re.compile(
            video_reg_exp, re.IGNORECASE)}),
        dict(name='div',  attrs={'class': re.compile(
            audio_reg_exp, re.IGNORECASE)}),
        dict(name='div',  attrs={'class': re.compile(
            picture_gallery_reg_exp, re.IGNORECASE)}),
        dict(name='div',  attrs={'class': re.compile(
            slideshow_reg_exp, re.IGNORECASE)}),
        dict(name='div',  attrs={'class': re.compile(
            quote_reg_exp, re.IGNORECASE)}),
        dict(name='div',  attrs={'class': re.compile(
            hidden_reg_exp, re.IGNORECASE)}),
        dict(name='div',  attrs={'class': re.compile(
            comment_reg_exp, re.IGNORECASE)}),
        dict(name='div',  attrs={'class': re.compile(
            story_actions_reg_exp, re.IGNORECASE)}),
        dict(name='div',  attrs={'class': re.compile(
            bookmark_list_reg_exp, re.IGNORECASE)}),
        dict(name='div',  attrs={'id': re.compile(
            secondary_content_reg_exp, re.IGNORECASE)}),
        dict(name='div',  attrs={'id': re.compile(
            featured_content_reg_exp, re.IGNORECASE)}),
        dict(name='div',  attrs={'id': re.compile(
            navigation_reg_exp, re.IGNORECASE)}),
        dict(name='form', attrs={'id': re.compile(
            form_reg_exp, re.IGNORECASE)}),
        dict(attrs={'class': re.compile(
            quote_reg_exp, re.IGNORECASE)}),
        dict(attrs={'class': re.compile(
            hidden_reg_exp, re.IGNORECASE)}),
        dict(attrs={'class': re.compile(
            social_links_reg_exp, re.IGNORECASE)}),
        dict(attrs={'class': re.compile(
            comment_reg_exp, re.IGNORECASE)}),
        dict(attrs={'class': re.compile(
            skip_reg_exp, re.IGNORECASE)}),
        dict(name='map', attrs={'id': re.compile(
            map_reg_exp, re.IGNORECASE)}),
        dict(name='map', attrs={'name': re.compile(
            map_reg_exp, re.IGNORECASE)}),
        dict(name='div', attrs={'id': re.compile(
            social_bookmarks_reg_exp, re.IGNORECASE)}),
        dict(name='div', attrs={'id': re.compile(
            blq_mast_reg_exp, re.IGNORECASE)}),
        dict(name='div', attrs={'class': re.compile(
            sharesb_reg_exp, re.IGNORECASE)}),
        dict(name='div', attrs={
            'class': re.compile(o_reg_exp, re.IGNORECASE)}),
        dict(name='div',  attrs={'class': re.compile(
            promo_top_reg_exp, re.IGNORECASE)}),
        dict(name='div',  attrs={'class': re.compile(
            promo_bottom_reg_exp, re.IGNORECASE)}),
        dict(name='div',  attrs={
            'class': re.compile(nlp_reg_exp, re.IGNORECASE)}),
        dict(name='div',  attrs={'class': re.compile(
            mva_or_mvb_reg_exp, re.IGNORECASE)}),
        dict(name='div',  attrs={'class': re.compile(
            mvtb_reg_exp, re.IGNORECASE)}),
        dict(name='div',  attrs={'class': re.compile(
            blq_toplink_reg_exp, re.IGNORECASE)}),
        dict(name='div',  attrs={'class': re.compile(
            prods_services_01_reg_exp, re.IGNORECASE)}),
        dict(name='div',  attrs={'class': re.compile(
            prods_services_02_reg_exp, re.IGNORECASE)}),
        dict(name='div',  attrs={'class': re.compile(
            blq_misc_01_reg_exp, re.IGNORECASE)}),
        dict(name='div',  attrs={'class': re.compile(
            blq_misc_02_reg_exp, re.IGNORECASE)}),
        dict(name='div',  attrs={'class': re.compile(
            puffbox_reg_exp, re.IGNORECASE)}),
        dict(attrs={'class': re.compile(
            sibtbg_reg_exp, re.IGNORECASE)}),
        dict(attrs={'class': re.compile(
            storyextra_reg_exp, re.IGNORECASE)})
    ]

    # Uses url to create and return the 'printer friendly' version of the url.
    # In other words the 'print this page' address of the page.
    #
    # There are 3 types of urls used in the BBC site's rss feeds. There is just
    # 1 type for the standard news while there are 2 used for sports feed urls.
    # Note: Sports urls are linked from regular news feeds (Eg. 'News Home') when
    # there is a major story of interest to 'everyone'. So even if no BBC sports
    # feeds are added to 'feeds' the logic of this method is still needed to avoid
    # blank / missing / empty articles which have an index title and then no
    # body.
    def print_version(self, url):
        if url.startswith("https://www.bbc.co.uk/news/world-51235105"):
            self.abort_article("This article contains a gigantic coronavirus table")

        # Handle sports page urls type 01:
        if (url.find("go/rss/-/sport1/") != -1):
            temp_url = url.replace("go/rss/-/", "")

        # Handle sports page urls type 02:
        elif (url.find("go/rss/int/news/-/sport1/") != -1):
            temp_url = url.replace("go/rss/int/news/-/", "")

        # Handle regular news page urls:
        else:
            temp_url = url.replace("go/rss/int/news/-/", "")

        # Always add "?print=true" to the end of the url.
        print_url = temp_url + "?print=true"

        return print_url

    def canonicalize_internal_url(self, url, is_link=True):
        if url.endswith('?print=true'):
            url = url.rpartition('?')[0]
        return BasicNewsRecipe.canonicalize_internal_url(self, url, is_link=is_link)

    # Remove articles in feeds based on a string in the article title or url.
    #
    # Code logic written by: Starson17 - posted in: "Recipes - Re-usable code"
    # thread, in post with title: "Remove articles from feed", see url:
    # https://www.mobileread.com/forums/showpost.php?p=1165462&postcount=6
    # Many thanks and all credit to Starson17.
    #
    # Starson17's code has obviously been altered to suite my requirements.
    def parse_feeds(self):

        # Call parent's method.
        feeds = BasicNewsRecipe.parse_feeds(self)

        # Loop through all feeds.
        for feed in feeds:

            # Loop through all articles in feed.
            for article in feed.articles[:]:

                # Match key words and remove article if there's a match.

                # Most BBC rss feed video only 'articles' use upper case 'VIDEO'
                # as a title prefix. Just match upper case 'VIDEO', so that
                # articles like 'Video game banned' won't be matched and
                # removed.
                if 'VIDEO' in article.title:
                    feed.articles.remove(article)

                # Most BBC rss feed audio only 'articles' use upper case 'AUDIO'
                # as a title prefix. Just match upper case 'AUDIO', so that
                # articles like 'Hi-Def audio...' won't be matched and removed.
                elif 'AUDIO' in article.title:
                    feed.articles.remove(article)

                # Most BBC rss feed photo slideshow 'articles' use 'In Pictures',
                # 'In pictures', and 'in pictures', somewhere in their title.
                # Match any case of that phrase.
                elif 'IN PICTURES' in article.title.upper():
                    feed.articles.remove(article)

                # As above, but user contributed pictures. Match any case.
                elif 'YOUR PICTURES' in article.title.upper():
                    feed.articles.remove(article)

                # 'Sportsday Live' are articles which contain a constantly and
                # dynamically updated 'running commentary' during a live sporting
                # event. Match any case.
                elif 'SPORTSDAY LIVE' in article.title.upper():
                    feed.articles.remove(article)

                # Sometimes 'Sportsday Live' (above) becomes 'Live - Sport Name'.
                # These are being matched below using 'Live - ' because removing all
                # articles with 'live' in their titles would remove some articles
                # that are in fact not live sports pages. Match any case.
                elif 'LIVE - ' in article.title.upper():
                    feed.articles.remove(article)

                # 'Quiz of the week' is a Flash player weekly news quiz. Match only
                # the 'Quiz of the' part in anticipation of monthly and yearly
                # variants. Match any case.
                elif 'QUIZ OF THE' in article.title.upper():
                    feed.articles.remove(article)

                # Remove articles with 'scorecards' in the url. These are BBC sports
                # pages which just display a cricket scorecard. The pages have a mass
                # of table and css entries to display the scorecards nicely. Probably
                # could make them work with this recipe, but might take a whole day
                # of work to sort out all the css - basically a formatting
                # nightmare.
                elif 'scorecards' in article.url:
                    feed.articles.remove(article)

        return feeds

# End of class and file.

Αυτή η recipe εξερευνά μόνο την κορφή του παγόβουνου όσον αφορά την ισχύ του calibre. Για να εξερευνήσουμε περισσότερες από τις δυνατότητες του calibre, θα εξετάσουμε ένα πιο πολύπλοκο παράδειγμα πραγματικής χρήσης στην επόμενη ενότητα.

Παράδειγμα πραγματικής χρήσης

Ένα αρκούντως περίπλοκο παράδειγμα πραγματικής χρήσης που εκθέτει περισσότερο από το API των BasicNewsRecipe είναι η recipe των New York Times

import string, re
from calibre import strftime
from calibre.web.feeds.recipes import BasicNewsRecipe
from calibre.ebooks.BeautifulSoup import BeautifulSoup

class NYTimes(BasicNewsRecipe):

    title       = 'The New York Times'
    __author__  = 'Kovid Goyal'
    description = 'Daily news from the New York Times'
    timefmt = ' [%a, %d %b, %Y]'
    needs_subscription = True
    remove_tags_before = dict(id='article')
    remove_tags_after  = dict(id='article')
    remove_tags = [dict(attrs={'class':['articleTools', 'post-tools', 'side_tool', 'nextArticleLink clearfix']}),
                dict(id=['footer', 'toolsRight', 'articleInline', 'navigation', 'archive', 'side_search', 'blog_sidebar', 'side_tool', 'side_index']),
                dict(name=['script', 'noscript', 'style'])]
    encoding = 'cp1252'
    no_stylesheets = True
    extra_css = 'h1 {font: sans-serif large;}\n.byline {font:monospace;}'

    def get_browser(self):
        br = BasicNewsRecipe.get_browser()
        if self.username is not None and self.password is not None:
            br.open('https://www.nytimes.com/auth/login')
            br.select_form(name='login')
            br['USERID']   = self.username
            br['PASSWORD'] = self.password
            br.submit()
        return br

    def parse_index(self):
        soup = self.index_to_soup('https://www.nytimes.com/pages/todayspaper/index.html')

        def feed_title(div):
            return ''.join(div.findAll(text=True, recursive=False)).strip()

        articles = {}
        key = None
        ans = []
        for div in soup.findAll(True,
             attrs={'class':['section-headline', 'story', 'story headline']}):

             if ''.join(div['class']) == 'section-headline':
                 key = string.capwords(feed_title(div))
                 articles[key] = []
                 ans.append(key)

             elif ''.join(div['class']) in ['story', 'story headline']:
                 a = div.find('a', href=True)
                 if not a:
                     continue
                 url = re.sub(r'\?.*', '', a['href'])
                 url += '?pagewanted=all'
                 title = self.tag_to_string(a, use_alt=True).strip()
                 description = ''
                 pubdate = strftime('%a, %d %b')
                 summary = div.find(True, attrs={'class':'summary'})
                 if summary:
                     description = self.tag_to_string(summary, use_alt=False)

                 feed = key if key is not None else 'Uncategorized'
                 if feed not in articles:
                     articles[feed] = []
                 if not 'podcasts' in url:
                     articles[feed].append(
                               dict(title=title, url=url, date=pubdate,
                                    description=description,
                                    content=''))
        ans = self.sort_index_by(ans, {'The Front Page':-1, 'Dining In, Dining Out':1, 'Obituaries':2})
        ans = [(key, articles[key]) for key in ans if key in articles]
        return ans

    def preprocess_html(self, soup):
        refresh = soup.find('meta', {'http-equiv':'refresh'})
        if refresh is None:
            return soup
        content = refresh.get('content').partition('=')[2]
        raw = self.browser.open('https://www.nytimes.com'+content).read()
        return BeautifulSoup(raw.decode('cp1252', 'replace'))

Βλέπουμε αρκετά νέα χαρακτηριστικά στη recipe αυτή. Αρχικά, έχουμε:

timefmt = ' [%a, %d %b, %Y]'

Αυτό θέτει την ημερομηνία που εμφανίζεται στην μπροστινή σελίδα του δημιουργημένου ψηφιακού βιβλίου στη μορφή Όνομα_μέρας, αριθμός_μέρας όνομα_μήνα έτος. Δείτε μορφοποιήσεις_χρόνου.

Στη συνέχεια βλέπουμε μια ομάδα από εντολές για εκκαθάριση του ληφθέντος HTML:

remove_tags_before = dict(name='h1')
remove_tags_after  = dict(id='footer')
remove_tags = ...

Αυτές απομακρύνουν τα πάντα πριν από την πρώτη ετικέτα <h1>, και ότι υπάρχει μετά την πρώτη ετικέτα της οποίας το όνομα είναι footer. Δείτε αφαίρεση_ετικετών, αφαίρεση_ετικετών_πριν, αφαίρεση_ετικετών_μετά.

Το επόμενο ενδιαφέρον χαρακτηριστικό είναι:

needs_subscription = True
...
def get_browser(self):
    ...

Το needs_subscription = True ενημερώνει το calibre ότι η συνταγή αυτή χρειάζεται ένα όνομα χρήστη και ένα κωδικό εξουσιοδότησης για την πρόσβαση στο περιεχόμενο. Αυτό έχει ως αποτέλεσμα το calibre να ζητήσει όνομα χρήστη και κωδικό όποτε προσπαθήσετε να χρησιμοποιήσετε τη συνταγή αυτή. Ο κώδικας στο calibre.web.feeds.news.BasicNewsRecipe.get_browser() ουσιαστικά κάνει την είσοδό σας στην ιστοσελίδα των NYT. Μόλις μπείτε, το calibre θα χρησιμοποιήσει την ίδια, εξουσιοδοτημένη από την ιστοσελίδα διεργασία φυλλομέτρησης, για τη λήψη όλου του περιεχομένου. Κοιτάξτε στο mechanize για να κατανοήσετε τον κώδικα του get_browser.

Το επόμενο νέο χαρακτηριστικό είναι η μέθοδος calibre.web.feeds.news.BasicNewsRecipe.parse_index(). Η δουλειά της είναι να πάει στο https://www.nytimes.com/pages/todayspaper/index.html και να λάβει τη λίστα των άρθρων που εμφανίζονται στη σημερινή εφημερίδα. Αν και πιο σύνθετη από μια απλή χρήση RSS, η συνταγή δημιουργεί ένα ψηφιακό βιβλίο που αντιστοιχεί πολύ στενά στη σημερινή εφημερίδα. Η parse_index κάνει βαριά χρήση του πακέτου BeautifulSoup για τη σάρωση της ιστοσελίδας της σημερινής εφημερίδας. Μπορείτε επίσης να χρησιμοποιήσετε άλλους, πιο σύγχρονους, σαρωτές αν δεν σας αρέσει το BeatifulSoup. Το calibre έρχεται με τους lxml και html5lib, οι οποίοι είναι οι προτεινόμενοι σαρωτές. Για να τους χρησιμοποιήσετε, αντικαταστήστε την κλήση της index_to_soup() ως ακολούθως:

raw = self.index_to_soup(url, raw=True)
# For html5lib
import html5lib
root = html5lib.parse(raw, namespaceHTMLElements=False, treebuilder='lxml')
# For the lxml html 4 parser
from lxml import html
root = html.fromstring(raw)

Το τελευταίο νέο χαρακτηριστικό είναι η μέθοδος calibre.web.feeds.news.BasicNewsRecipe.preprocess_html(). Μπορεί να χρησιμοποιηθεί για να επιφέρει τυχαίους μετασχηματισμούς σε κάθε ληφθείσα σελίδα HTML. Εδώ χρησιμοποιείται για να υπερκεράσει τις διαφημίσεις που σας δείχνουν οι nytimes πριν από κάθε άρθρο.

Συμβουλές για ανάπτυξη νέων συνταγών

Ο καλύτερος τρόπος ανάπτυξης νέων συνταγών είναι με τη χρήση της διεπαφής γραμμής εντολών. Δημιουργήστε τη συνταγή χρησιμοποιώντας τον αγαπημένο σας συντάκτη προγραμμάτων Python, και αποθηκεύστε τη συνταγή σε ένα αρχείο, πχ myrecipe.recipe. Η κατάληξη .recipe απαιτείται. Μπορείτε να λάβετε περιεχόμενο χρησιμοποιώντας τη συνταγή αυτή με την εντολή:

ebook-convert myrecipe.recipe .epub --test -vv --debug-pipeline debug

Η εντολή ebook-convert θα κατεβάσει όλες τις ιστοσελίδες και θα τις αποθηκεύσει στο αρχείο EPUB myrecipe.epub. Η επιλογή -vv κάνει την εντολή ebook-convert να εξάγει πολλές πληροφορίες για το τι ακριβώς κάνει. Η επιλογή ebook-convert-recipe-input --test έχει ως αποτέλεσμα την λήψη λίγων μόνο ζευγών άρθρων, από 2 το πολύ ροές. Επιπροσθέτως, η εντολή ebook-convert θα τοποθετήσει το ληφθέν HTML στο φάκελο debug/input, όπου debug είναι ο φάκελος που καθορίσατε στην επιλογή ebook-convert --debug-pipeline.

Όταν η λήψη ολοκληρωθεί, μπορείτε να κοιτάξετε το ληφθέν HTML ανοίγοντας το αρχείο debug/input/index.html σε ένα φυλλομετρητή. Μόλις είστε ικανοποιημένοι ότι η λήψη και η προεπεξεργασία γίνονται σωστά, μπορείτε να δημιουργήσετε ψηφιακά βιβλία σε διάφορες μορφές όπως φαίνεται παρακάτω:

ebook-convert myrecipe.recipe myrecipe.epub
ebook-convert myrecipe.recipe myrecipe.mobi
...

Αν είστε ικανοποιημένοι με τη συνταγή σας και νοιώθετε πως υπάρχει αρκετή ζήτηση που να δικαιολογεί τη συμπερίληψή της στο σύνολο των ενσωματωμένων συνταγών, αναρτήστε τη συνταγή σας στο φόρουμ συνταγών calibre για να τη μοιραστείτε με άλλους χρήστες του calibre.

Σημείωση

Στο macOS, τα εργαλεία γραμμής εντολών είναι μέσα στο φάκελο εγκατάστασης του calibre, για παράδειγμα, αν εγκαταστήσατε το calibre στο φάκελο /Applications τα εργαλεία γραμμής εντολών είναι στη θέση /Applications/calibre.app/Contents/MacOS/.

Δείτε επίσης

ebook-convert

Η διεπαφή γραμμής εντολών για ολόκληρη τη μετατροπή των ψηφιακών βιβλίων.

Πρόσθετο διάβασμα

Για να μάθετε περισσότερα σχετικά με τη συγγραφή προχωρημένων συνταγών χρησιμοποιώντας κάποιες από τις διαθέσιμες δυνατότητες της κλάσης BasicNewsRecipe, συμβουλευτείτε τις παρακάτω πηγές:

Τεκμηρίωση API

Τεκμηρίωση για την κλάση BasicNewsRecipe και όλες τις σημαντικές μεθόδους και πεδία της.

BasicNewsRecipe

Ο πηγαίος κώδικας της BasicNewsRecipe

Ενσωματωμένες συνταγές

Ο πηγαίος κώδικας για τις ενσωματωμένες συνταγές που έρχονται με το calibre

Το φόρουμ συνταγών calibre

Εκεί συχνάζουν πολλοί συγγραφείς συνταγών calibre που γνωρίζουν καλά το θέμα.