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。
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.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：
1
2
3
4
5
6
7
8
9
10
11
|
<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
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: try: retryCount = retryCount + 1 time.sleep(1.0) #访问太快会不响应 request = urllib2.Request(pageUrl, None, header) response = urllib2.urlopen(request) data = response.read().decode('UTF-8') #print data soup = BeautifulSoup(data) topArticleDocs = soup.find_all(id="article_toplist") articleDocs = soup.find_all(id="article_list") articleListDocs = articleListDocs + topArticleDocs + articleDocs break except Exception, e: print "getArticleList exception:%s, url:%s, retry count:%d" % (e, pageUrl, retryCount) pass 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。关键代码是下面这三行：
topArticleDocs = soup.find_all(id="article_toplist")
articleDocs = soup.find_all(id="article_list")
articleListDocs = articleListDocs + topArticleDocs + 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)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
<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
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
51
52
53
54
55
56
57
58
|
def download(url, output): # 下载文章，并保存为 markdown 格式 log(" >> download: " + url) data = None title = "" categories = "" content = "" postDate = datetime.datetime.now() global gRetryCount count = 0 while True: if count >= 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'(<img.+?src=")(.+?)(".+ />)') patternHref = re.compile(r'(<a.+?href=")(.+?)(".+?>)(.+?)(</a>)') 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。
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。
