本文总阅读量:  次 | 文章总字数: 1,454 字

自动将博客园文章导出到 Markdown 文件

此文主要分享了如何将自己博客园的文章自动导出到 Markdown 文档进行存储，以便在本地进行归档管理，程序中也对文章的分类、tag、代码块以及文章中的图片进行了保存处理，以便上传到自己的图床。
基于 C# 语言开发，测试调用为 C# Console 程序。

支持的功能

  • 可以循环抓取自己博客园的所有文章导出到 Markdown 文件进行保存；
  • 在 Markdown 的头部保存了原文章的标题、发表时间、文章分类、文章 tag 元素；
  • 文章中的代码块会抽取出来包含在 codeblock 中，你也可以修改源码保存成其他的格式块；
  • 保存的文件名就是原文章的路径，如果你的文章都设置了 EntryName，那生成的文件名就会非常的友好；
  • 文章中的图片可选进行本地保存，命名的格式为源文件名，并可在原文中将链接进行图床前缀的替换，你可以修改源码按照自己的格式进行保存。

导出函数的定义以及参数。

/// <summary>     
/// 导出博客园的文章成本地 Markdown 进行保存     
/// </summary>    
/// <param name="pageStart">博客起始页码，即 http://www.cnblogs.com/parry/default.html?page={0} </param>      
/// <param name="pageEnd">博客结束页码，即 http://www.cnblogs.com/parry/default.html?page={0} </param>      
/// <param name="isSaveImage">是否将文章中的图片保存到本地，保存后文件夹在程序运行的 images 文件夹</param>       
/// <param name="imagePrefixUrl">替换文章中的图片为自己图床的前缀 Url</param>     
/// <param name="isAddMoreSeparateLine">在抓取到的文章 separateLineLocation（参数） 处添加<!--more-->分隔符，用于博客展示文章时用于抽取描述以及阅读更多使用。</param>     
/// <param name="separateLineLocation">添加分隔符的位置</param>      
/// <returns>是否执行完成</returns>     
public static bool ExportToMarkdown(int pageStart, int pageEnd, bool isSaveImage, string imagePrefixUrl = "", bool isAddMoreSeparateLine = false, int separateLineLocation = 300)     
{      
	     
}

抓取保存后文件预览。

抓取保存的文件预览

基本原理

  1. 循环抓取博客的列表，获取到文章的链接；
  2. 循环文章的链接，进行抓取，提取元素；
  3. 保存抓取到的元素进行格式化并保存。

几个知识点

将 HTML 转换成 Markdown

这里使用了一个开源的组件 Html2Markdown ,在控制台安装组件后就可以使用了，主要支持两个方法。
对字符串进行转换

var html = "Something to <strong>convert</strong>";
var converter = new Converter();
var markdown = converter.Convert(html);

对文件进行转换

var path = "file.html";
var converter = new Converter();
var markdown = converter.ConvertFile(path);

注意项目中添加此组件引用的方法：

  1. 项目中已经迁入了 bin 文件夹，其中包含 Html2Markdown.dll 和 HtmlAgilityPack.dll (Html2Markdown的依赖)，直接添加到项目中引用即可；
  2. 在包管理控制台中使用 Install-Package Html2Markdown 进行安装。

注意 Mac 和 Windows 以及 Linux 下的换行的区别

具体的区别可以看这里，可以根据自己的情况对源码进行修改。

unix / linux：用 LF (\n) 表示一行结束。
mac：用 CR (\r) 表示一行结束。
windows：用 CR LF (\r\n) 和起来表示一行结束。

文章分类、tag 的获取

分析后发现通过模拟请求 API 获取即可，需要的参数通过正则匹配获取，返回数据为 Unicode 进行转码提取。

文章中图片保存

你可以修改源码开启或关闭此功能，使用文章中文件名作为保存到本地的文件名，并将文章中的图片前缀进行了替换，你可以替换成你自己新的图床地址。输出的图片文件在程序启动的 images 文件夹。

源代码

项目开源在了 GitHub。
需要注意的问题是，项目中可能因为新旧文章中某些格式的变化导致抓取出来的 Markdown 格式可能稍有偏差，以及图片、代码块的处理，你需要去根据自己的博客去进行对应的调整后使用。

–EOF–

转载须以超链接形式标明文章原始出处和作者信息