用Python编写博客导出工具

Posted 飘飘白云

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了用Python编写博客导出工具相关的知识,希望对你有一定的参考价值。

用Python编写博客导出工具 罗朝辉 (http://kesalin.github.io/) CC 许可,转载请注明出处

写在前面的话

我在 github 上用 octopress 搭建了个人博客,octopress 使用Markdown语法编写博文。之前我在CSDN博客上也写过不少的技术博文,都说自己的孩子再丑也是个宝,所以就起了把CSDN博客里面的文章导出到个人博客上的念头。刚开始想找个工具把CSDN博客导出为xml或文本,然后再把xml或文本转换为Markdown博文。可惜搜了一下现有博客导出工具,大部分要收费才能将全部博文导出为xml格式,所以就只好发明轮子了:写个工具将全部博文导出为Markdown博文(也是txt格式的)。

我将详细介绍这个工具的编写过程,希望没有学习过编程的人也能够学会一些简单的Python语法来修改这个脚本工具,以满足他们将其他类型的博客导出为文本格式。这也是我第一次学习和使用Python,所以相信我,你一定也可以将自己的博客导出为想要的文本格式。

本文源代码在这里:ExportCSDNBlog.py

考虑到大部分非程序员使用Windows系统,下面将介绍在Windows下如何编写这个工具。

下载工具

在 Windows 下安装Python开发环境(Linux/Mac下用pip安装相应包即可,程序员自己解决咯):

Python 2.7.3 
请安装这个版本,更高版本的Python与一些库不兼容。 
下载页面 
下载完毕双击可执行文件进行安装,默认安装在C:\\Python2.7。

six 
下载页面 
下载完毕,解压到Python安装目录下,如C:\\Python2.7\\six-1.8.0目录下。

BeautifulSoup 4.3.2 
下载页面, 
下载完毕,解压到Python安装目录下,如C:\\Python2.7\\BeautifulSoup目录下。

html5lib 
下载页面 
下载完毕,解压到Python安装目录下,如C:\\Python2.7\\html5lib-0.999目录下。

安装工具

Windows下启动命令行,依次进入如下目录,执行setup.py install进行安装:

C:\\Python2.7\\six-1.8.0>setup.py install  
C:\\Python2.7\\html5lib-0.999>setup.py install  
C:\\Python2.7\\BeautifulSoup>setup.py install  

参考文档

Python 2.X文档 
BeautifulSoup文档 
正则表达式文档 
正则表达式在线测试

用到的Python语法

这个工具只用到了一些基本的Python语法,如果你没有Python基础,稍微了解一下如下博文是很有好处的。


编写博客导出工具

分析

首先来分析这样一个工具的需求:

导出所有CSDN博客文章为Markdown文本。

这个总需求其实可以分两步来做:

* 获得CSDN博客文章
* 将文章转换为Markdown文本

针对第一步:如何获取博客文章呢?

打开任何一个CSDN博客,我们都可以看到下方的页面导航显示“XXX条数据 共XXX页 1 2 3 … 尾页”,我们从这个地方入手考虑。每个页面上都会显示属于该页的文章标题及文章链接,如果我们依次访问这些页面链接,就能从每个页面链接中找出属于该页面的文章标题及文章链接。这样所有的文章标题以及文章链接就都获取到了,有了这些文章链接,我们就能获取对应文章的html内容,然后通过解析这些html页面来生成相应Markdown文本了。

实现

从上面的分析可以看出,首先我们需要根据首页获取所有的页面链接,然后遍历每一个页面链接来获取文章链接。

  • 获取页面链接的代码:

def getHtml(url):
    try :
        if gUseCookie:
            opener = urllib2.build_opener()
            for k, v in gHeaders.items():
                opener.addheaders.append((k, v))
            response = opener.open(url)
            data = response.read().decode('utf-8')
        else:
            request = urllib2.Request(url, None, gHeaders)
            response = urllib2.urlopen(request)
            data = response.read().decode('utf-8')
    except urllib2.URLError, e :
        if hasattr(e, "code"):
            print "The server couldn't fulfill the request: " + url
            print "Error code: %s" % e.code
        elif hasattr(e, "reason"):
            print "We failed to reach a server. Please check your url: " + url + ", and read the Reason."
            print "Reason: %s" % e.reason
    return data

def getPageUrlList(url):
    page = getHtml(url)
    soup = BeautifulSoup(page)

    lastArticleHref = None
    pageListDocs = soup.find_all(id="papelist")
    for pageList in pageListDocs:
        hrefDocs = pageList.find_all("a")
        if len(hrefDocs) > 0:
            lastArticleHrefDoc = hrefDocs[len(hrefDocs) - 1]
            lastArticleHref = lastArticleHrefDoc["href"].encode('UTF-8')

    if lastArticleHref == None:
        return []

    print " > last page href:" + lastArticleHref
    lastPageIndex = lastArticleHref.rfind("/")
    lastPageNum = int(lastArticleHref[lastPageIndex+1:])
    urlInfo = "http://blog.csdn.net" + lastArticleHref[0:lastPageIndex]

    pageUrlList = []
    for x in xrange(1, lastPageNum + 1):
        pageUrl = urlInfo + "/" + str(x)
        pageUrlList.append(pageUrl)
        log(" > page " + str(x) + ": " + pageUrl)

    log("total pages: " + str(len(pageUrlList)) + "\\n")
    return pageUrlList

参数 url = “http://blog.csdn.net/” + username,即你首页的网址。通过urllib2库打开这个url发起一个web请求,从response中获取返回的html页面内容保存到data中。你可以被注释的 print data 来查看到底返回了什么内容。

有了html页面内容,接下来就用BeautifulSoup来解析它。BeautifulSoup极大地减少了我们的工作量。我会详细在这里介绍它的使用,后面再次出现类似的解析就会从略了。soup.find_all(id=”papelist”) 将会查找html页面中所有id=”papelist”的tag,然后返回包含这些tag的list。对应 CSDN 博文页面来说,只有一处地方:

<div id="papelist" class="pagelist">
    <span> 236条数据  共12页</span>
    <strong>1</strong> 
    <a href="/kesalin/article/list/2">2</a>
    <a href="/kesalin/article/list/3">3</a>
    <a href="/kesalin/article/list/4">4</a> 
    <a href="/kesalin/article/list/5">5</a> 
    <a href="/kesalin/article/list/6">...</a> 
    <a href="/kesalin/article/list/2">下一页</a> 
    <a href="/kesalin/article/list/12">尾页</a>
</div>

好,我们获得了papelist 的tag对象,通过这个tag对象我们能够找出尾页tag a对象,从这个tag a解析出对应的href属性,获得尾页的编号12,然后自己拼出所有page页面的访问url来,并保存在pageUrlList中返回。page页面的访问url形式示例如下:

> page 1: http://blog.csdn.net/kesalin/article/list/1
  • 根据page来获取文章链接的代码:

def getArticleList(url):
    # 获取所有的文章的 url/title
    pageUrlList = getPageUrlList(url)

    articleListDocs = []

    strPage = " > parsing page 0"
    for pageUrl in pageUrlList:
        retryCount = 0
        print " > parsing page 0".format(pageUrl)

        slow_down() #访问太快会不响应
        page = getHtml(pageUrl);
        soup = BeautifulSoup(page)

        # 获取置顶文章
        topArticleDocs = soup.find_all(id="article_toplist")
        if topArticleDocs != None:
            articleListDocs = articleListDocs + topArticleDocs

        # 获取文章
        articleDocs = soup.find_all(id="article_list")
        if articleDocs != None:
            articleListDocs = articleListDocs + articleDocs

        break

    artices = []
    topTile = "[置顶]"
    for articleListDoc in articleListDocs:
        linkDocs = articleListDoc.find_all("span", "link_title")
        for linkDoc in linkDocs:
            #print linkDoc.prettify().encode('UTF-8')
            link = linkDoc.a
            url = link["href"].encode('UTF-8')
            title = link.get_text().encode('UTF-8')
            title = title.replace(topTile, '').strip()
            oneHref = "http://blog.csdn.net" + url
            #log("   > title:" + title + ", url:" + oneHref)
            artices.append([oneHref, title])

    log("total articles: " + str(len(artices)) + "\\n")
    return artices

从第一步获得所有的page链接保存在pageUrlList中,接下来就根据这些page 页面来获取对应page的article链接和标题。关键代码如下面:

        # 获取置顶文章
        topArticleDocs = soup.find_all(id="article_toplist")
        if topArticleDocs != None:
            articleListDocs = articleListDocs + topArticleDocs

        # 获取文章
        articleDocs = soup.find_all(id="article_list")
        if articleDocs != None:
            articleListDocs = articleListDocs + articleDocs

从page的html内容中查找置顶的文章(article_toplist)以及普通的文章(article_list)的tag对象,然后将这些tag保存到articleListDocs中。

article_toplist示例:(article_list的格式是类似的)

<div id="article_toplist" class="list">
    <div class="list_item article_item">
        <div class="article_title">   
            <span class="ico ico_type_Original"></span>
            <h1>
                <span class="link_title">
                <a href="/kesalin/article/details/10474007">
                <font color="red">[置顶]</font>
                招聘:有兴趣做一个与android对等的操作系统么?
                </a>
                </span>
            </h1>
        </div>
        ... ...
    </div>
    ... ...
</div>

然后遍历所有的保存到articleListDocs里的tag对象,从中解析出link_title的span tag对象保存到linkDocs中;然后从中解析出链接的url和标题,这里去掉了置顶文章标题中的“置顶”两字;最后将url和标题保存到artices列表中返回。artices列表中的每一项内容示例:

   title:招聘:有兴趣做一个与Android对等的操作系统么?  
   url:http://blog.csdn.net/kesalin/article/details/10474007
  • 根据文章链接获取文章html内容并解析转换为Markdown文本

def download(title, url, output):
    # 下载文章,并保存为 markdown 格式
    log(" >> download: " + url)

    categories = ""
    content = ""
    postDate = datetime.datetime.now()

    slow_down();
    page = getHtml(url)
    soup = BeautifulSoup(page)

    manageDocs = soup.find_all("div", "article_manage")
    for managerDoc in manageDocs:
        categoryDoc = managerDoc.find_all("span", "link_categories")
        if len(categoryDoc) > 0:
            categories = categoryDoc[0].a.get_text().encode('UTF-8').strip()

        postDateDoc = managerDoc.find_all("span", "link_postdate")
        if len(postDateDoc) > 0:
            postDateStr = postDateDoc[0].string.encode('UTF-8').strip()
            postDate = datetime.datetime.strptime(postDateStr, '%Y-%m-%d %H:%M')

    contentDocs = soup.find_all(id="article_content")
    for contentDoc in contentDocs:
        htmlContent = contentDoc.prettify().encode('UTF-8')
        content = htmlContent2String(htmlContent)

    exportToMarkdown(output, postDate, categories, title, content)

同前面的分析类似,在这里通过访问具体文章页面获得html内容,从中解析出文章标题,分类,发表时间,文章内容信息。然后把这些内容传递给函数exportToMarkdown,在其中生成相应的Markdown文本文件。值得一提的是,在解析文章内容信息时,由于html文档内容有一些特殊的标签或转义符号,需要作特殊处理,这些特殊处理在函数htmlContent2String中进行。目前只导出了所有的文本内容,图片,url链接以及表格都没有处理,后续我会尽量完善这些转换。

def htmlContent2String(contentStr):
    patternImg = re.compile(r'(<img.+?src=")(.+?)(".+ />)')
    patternHref = re.compile(r'(<a.+?href=")(.+?)(".+?>)(.+?)(</a>)')
    patternRemoveHtml = re.compile(r'</?[^>]+>')

    resultContent = patternImg.sub(r'![image_mark](\\2)', contentStr)
    resultContent = patternHref.sub(r'[\\4](\\2)', resultContent)
    resultContent = re.sub(patternRemoveHtml, r'', resultContent)
    resultContent = decodeHtmlSpecialCharacter(resultContent)
    return resultContent

目前仅仅是删除所有的html标签,并在函数decodeHtmlSpecialCharacter中转换转义字符。

  • 生成Markdown文本文件
def exportToMarkdown(exportDir, postdate, categories, title, content):
    titleDate = postdate.strftime('%Y-%m-%d')
    contentDate = postdate.strftime('%Y-%m-%d %H:%M:%S %z')
    filename = titleDate + '-' + title
    filename = repalceInvalidCharInFilename(filename)
    filepath = exportDir + '/' + filename + '.markdown'
    log(" >> save as " + filename)

    newFile = open(unicode(filepath, "utf8"), 'w')
    newFile.write('---' + '\\n')
    newFile.write('layout: post' + '\\n')
    newFile.write('title: \\"' + title + '\\"\\n')
    newFile.write('date: ' + contentDate + '\\n')
    newFile.write('comments: true' + '\\n')
    newFile.write('categories: [' + categories + ']' + '\\n')
    newFile.write('tags: [' + categories + ']' + '\\n')
    newFile.write('description: \\"' + title + '\\"\\n')
    newFile.write('keywords: ' + categories + '\\n') 
    newFile.write('---' + '\\n\\n')
    newFile.write(content)
    newFile.write('\\n')
    newFile.close()

生成Markdown文本文件就很简单了,在这里我需要生成github page用的Markdown博文形式,所以内容如此,你可以根据你的需要修改为其他形式的文本内容。


以上是关于用Python编写博客导出工具的主要内容,如果未能解决你的问题,请参考以下文章

用Python编写博客导出工具

Halo博客文章数据导出工具

博客编写说明书

博客编写说明书

简书与csdn博客编写文章对比

博客开篇——应用Markdown编辑器呈现样式和内容