Flexget中使用Jinja模板和YAML锚点实现动态RSS配置
2025-07-08 20:48:47作者:韦蓉瑛
背景介绍
在Flexget配置中,当需要管理大量RSS订阅源时,手动维护每个URL会变得非常繁琐。本文介绍如何利用YAML锚点和Jinja模板技术来简化配置管理,实现动态生成RSS订阅列表。
核心问题分析
传统配置方式中,每个RSS订阅源都需要单独定义,当订阅源数量较多时,配置会变得冗长且难以维护。例如,如果有50个搜索词需要在5个站点上运行,就需要管理250个RSS URL,这在YAML配置中会非常繁琐。
解决方案探索
1. 使用YAML锚点和变量
Flexget支持YAML的锚点(anchor)和变量功能,可以用来简化重复配置。基本思路是:
- 在
variables部分定义基础变量 - 使用
&创建锚点 - 在其他地方使用
*引用锚点
variables:
rss_uri: http://example.com:9696
rss_api_key: your_api_key
templates:
anchors:
_discover_from_list: &discover_from_list
- search_rss:
url: '{? rss_uri ?}/1/api?apikey={? rss_api_key ?}&t=search&q={{ search_term }}'
2. 结合discover插件和mock插件
对于搜索词列表,可以使用discover插件配合mock插件来动态生成:
discover:
what:
- mock:
- 搜索词1
- 搜索词2
from: *discover_from_list
release_estimations: ignore
关键点说明:
release_estimations: ignore是必须的,否则discover插件会尝试查找发布日期- mock插件用于生成静态搜索词列表
3. 完整配置示例
下面是一个完整的配置示例,展示了如何组合使用这些技术:
variables:
rss_uri: http://example.com:9696
rss_api_key: your_api_key
templates:
anchors:
_discovery_list: &discovery_list
mock:
- 搜索词1
- 多词搜索词
_discover_from_list: &discover_from_list
- search_rss:
url: '{? rss_uri ?}/1/api?apikey={? rss_api_key ?}&t=search&q={{ search_term }}'
all_entries: no
other_fields:
- guid
_template_make_rss: &template_make_rss
days: -1
items: 1000
title: '[{{ guid.split("/")[2] }}] {{ title }}'
tasks:
test_task:
discover:
what:
- <<: *discovery_list
from: *discover_from_list
release_estimations: ignore
accept_all: yes
make_rss:
file: /data/output.rss
<<: *template_make_rss
注意事项
- 变量插值语法:在Flexget中,变量插值使用
{?variable?}语法,而不是标准的Jinja语法 - YAML合并操作符
<<只能用于字典,不能用于列表 - 对于复杂的动态生成需求,可以考虑使用Flexget的API或编写自定义插件
总结
通过合理使用YAML锚点、变量和Flexget的discover插件,可以大大简化大量RSS订阅源的管理工作。这种方法不仅使配置更加简洁,也便于后期维护和修改。对于需要管理多个站点和大量搜索词的用户来说,这种配置方式可以显著提高工作效率。
登录后查看全文
热门项目推荐
相关项目推荐
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0100
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
478
3.57 K
React Native鸿蒙化仓库
JavaScript
287
340
暂无简介
Dart
728
175
Ascend Extension for PyTorch
Python
288
321
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
850
447
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
239
100
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
10
1
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
451
180
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.28 K
705