用Python编写博客导出工具

小雨点点789

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。

• string: 字符串操作，参考python: string的操作函数
  
• list: 列表操作，参考Python list 操作
  
• dictionary: 字典操作，参考Python中dict详解
  
• datetime: 日期时间，参考python datetime处理时间
  

　　

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：
  

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33

def getPageUrlList(url):       # 获取所有的页面的 url       request = urllib2.Request(url, None, header)       response = urllib2.urlopen(request)       data = response.read()       #print data       soup = BeautifulSoup(data)       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.iyunv.com" + 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.iyunv.com/” + 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：

1 2 3 4 5 6 7 8 9 10 11

236条数据  共12页   1   2   3   4   5   ...   下一页   尾页

　　
　　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.iyunv.com/kesalin/article/list/1

• 根据page来获取文章链接的代码：
  

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50

def getArticleList(url):       # 获取所有的文章的 url/title       pageUrlList = getPageUrlList(url)          articleListDocs = []       strPage = " > parsing page {0}"       pageNum = 0       global gRetryCount       for pageUrl in pageUrlList:           retryCount = 0           pageNum = pageNum + 1           pageNumStr = strPage.format(pageNum)           print pageNumStr           while retryCount = gRetryCount:               break           count = count + 1           try:               time.sleep(2.0) #访问太快会不响应               request = urllib2.Request(url, None, header)               response = urllib2.urlopen(request)               data = response.read().decode('UTF-8')               break           except Exception,e:               exstr = traceback.format_exc()               log(" >> failed to download " + url + ", retry: " + str(count) + ", error:" + exstr)               pass       if data == None:           log(" >> failed to download " + url)           return       #print data       soup = BeautifulSoup(data)       topTile = "[置顶]"       titleDocs = soup.find_all("div", "article_title")       for titleDoc in titleDocs:           titleStr = titleDoc.a.get_text().encode('UTF-8')           title = titleStr.replace(topTile, '').strip()           #log(" >> title: " + title)       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。

1 2 3 4 5 6 7 8 9 10

def htmlContent2String(contentStr):       patternImg = re.compile(r'()')       patternHref = re.compile(r'()(.+?)()')       patternRemoveHtml = re.compile(r']+>')       resultContent = patternImg.sub(r'', 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
  

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

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。