用Python编写博客导出工具

用Python编写博客导出工具

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：

   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：

<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}"

      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)

<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(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。

   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。