导出网易博客

最近想把在网易上写的博客迁移过来，也动手做了。但网易博客貌似只有迁进没有迁出的功能。

google了一下，发现可以xml格式导出博客内容。具体方法是在 ++个人博客中心++个人博客中心 页面的最下方，点RSS按钮，再保存这个弹出的页面就OK了。

之后的工作就是从这个文件提取内容，我只会用python做这种事。

关于XML格式相关基础知识，可以看 这里（w3school）。处理导出的XML文件所用到的XML知识都可以从中找到。

python有处理XML的包（package）：xml，xml包里有好几个子模块：

xml.etree.ElementTree, xml.dom, xml.dom.minidom, xml.dom.pulldom, xml.sax, xml.parsers.expat

我没有深入了解它们的差别，有兴趣可以看 这里（官方文档）。官方建议若对DOM不熟悉就使用xml.etree.ElementTre：

Users who are not already proficient with the DOM should consider using the xml.etree.ElementTree module for their XML processing instead

使用 xml.etree.ElementTree 的确比较方便。只是xml.etree.ElementTree 对CDATA节点的支持不好，可以说是无视。对以下节点：

<title><![CDATA[title]]></title>

应用node.txt得到的是title。不过在这次的xml文档处理正好可以利用这个特性。

回过头来说说从网易导出的xml文档，文章标题、发表日期、修改日期、作者都可以轻易解决，唯独 正文 中夹杂着很多html标签，不能直接用。

我用正则表达式来对付正文。只要用空字符串替换匹配的所有html标签就OK。要匹配html标签也很简单，用这个字符串'</?[^>]+>'就行。

剩下就只有把读取到的内容写进新文件。原本打算用读取得来的title作为写文件的文件名，但python提示错误：

IOError: [Errno 22] invalid mode ('w') or filename

没找到解决的办法，这个问题就先留着吧。

废话不多说，上代码：

#encoding:UTF-8
import xml.etree.ElementTree as ET
import re

tree = ET.parse('blog163.xml')
root = tree.getroot()
i = 0
for item in root.iter('item'):
    #.text方法得到的字符串是Unicode编码，需要转换成UTF-8编码
    title = item.find('title').text.encode('UTF-8')
    pubDate = item.find('pubDate').text.encode('UTF-8')
    postContent = item.find('description').text.encode('UTF-8')
    pattern = re.compile(r'</?[^>]+>')
    patternNBSP = re.compile(r'&nbsp;')
    result = re.sub(pattern, '', postContent)
    resultReplaceNBSP = re.sub(patternNBSP,'\n',result)
    fileName = str(i)
    i += 1
    newFile = file('blog163/' + fileName + '.md' ,'w')
    newFile.write(title + '\n\n')
    newFile.write(pubDate + '\n\n')
    newFile.write(removResultNBSP)
    newFile.close()