Eksporter Wix blogindlæg til Markdown med OpenAI
Hvorfor eksportere blogindlæg fra Wix?
Resumé: Denne guide viser, hvordan man eksporterer Wix blogindlæg til Markdown ved hjælp af tre Python-scripts: en opsætningskører, en Selenium-baseret scraper og en OpenAI-drevet HTML-til-Markdown konverter. Resultatet er rene, bærbare Markdown-filer klar til Hugo, Jekyll eller enhver statisk sitegenerator.
Wix tilbyder ikke en native blog-eksport til Markdown. Hvis du migrerer til en statisk sitegenerator som Hugo eller Jekyll, skal du scrape de renderede sider, udtrække indholdet og konvertere det. Denne vejledning automatiserer hele processen med Python, Selenium, BeautifulSoup og OpenAI’s GPT API.
Pipelinen bruger tre scripts:
fetch_blog_posts.sh— opsætter miljøet og kører pipelinenparse_blog_sitemap.py— renderer sider med Selenium, udtrækker indhold, downloader billedergenerate_md.py— konverterer HTML til Markdown via OpenAI
Trin 1: Opsæt miljøet
Opret fetch_blog_posts.sh til at håndtere Python-kontrol, opsætning af virtuelt miljø, installation af afhængigheder og kørsel af pipelinen.
#!/bin/bash
echo "🔍 Checking Python installation..."
if ! command -v python3 &> /dev/null; then
echo "❌ Python 3 is not installed. Please install Python 3 and try again."
exit 1
fi
echo "✅ Python 3 found: $(python3 --version)"
VENV_DIR=".venv"
if [ ! -d "$VENV_DIR" ]; then
echo "📁 Creating virtual environment in $VENV_DIR..."
python3 -m venv "$VENV_DIR"
else
echo "✅ Virtual environment already exists."
fi
echo "⚙️ Activating virtual environment..."
source "$VENV_DIR/bin/activate"
echo "📦 Installing dependencies..."
pip install --upgrade pip
pip install beautifulsoup4 lxml selenium webdriver-manager
echo "🚀 Running blog sitemap parser..."
python3 parse_blog_sitemap.py
deactivateTrin 2: Scrap og udtræk blogindhold
parse_blog_sitemap.py gør det tunge arbejde:
- Henter sitemap XML for at opdage alle blogindlægs-URL’er
- Renderer hver side med Selenium (nødvendigt fordi Wix-indhold indlæses dynamisk)
- Udtrækker
<div id="content-wrapper">for at isolere artikelindhold - Downloader alle billeder lokalt og opdaterer
src-attributter - Gemmer det rensede HTML som
_index.html - Kalder Markdown-konverteren
Hvorfor Selenium i stedet for requests? Wix renderer indhold med JavaScript. En simpel HTTP-anmodning returnerer en tom sidekonstruktion. Selenium kører en hovedløs Chrome-browser for at få det fuldt renderede HTML.
#!/usr/bin/env python3
import os, re, time
import xml.etree.ElementTree as ET
from urllib.parse import urlparse
from bs4 import BeautifulSoup
import urllib.request
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
from selenium.webdriver.chrome.service import Service as ChromeService
from webdriver_manager.chrome import ChromeDriverManager
SITEMAP_URL = "https://www.everappz.com/blog-posts-sitemap.xml"
BASE_OUTPUT_DIR = "downloads"
GPT_CONVERTER_SCRIPT = "generate_md.py"
def fetch_rendered_html(url):
options = Options()
options.add_argument("--headless")
options.add_argument("--disable-gpu")
options.add_argument("--no-sandbox")
options.add_argument("--disable-dev-shm-usage")
options.add_argument("--window-size=1920,1080")
driver = webdriver.Chrome(service=ChromeService(ChromeDriverManager().install()), options=options)
try:
driver.get(url)
time.sleep(3)
return driver.page_source
finally:
driver.quit()
def sanitize_filename(filename):
return re.sub(r'[<>:"/\\\\|?*]', '_', filename)
def get_last_path_components(url, levels=2):
parts = urlparse(url).path.strip("/").split("/")
return os.path.join(*parts[-levels:])
def download_image(img_url, dest_folder):
try:
parsed = urlparse(img_url)
filename = os.path.basename(parsed.path)
dest_path = os.path.join(dest_folder, filename)
urllib.request.urlretrieve(img_url, dest_path)
return filename
except Exception as e:
return None
def extract_content_wrapper(html):
soup = BeautifulSoup(html, "html.parser")
wrapper = soup.find("div", id="content-wrapper")
return str(wrapper) if wrapper else ""
def update_image_sources(content_html, folder):
soup = BeautifulSoup(content_html, "html.parser")
for img in soup.find_all("img"):
src = img.get("data-pin-media") or img.get("src")
if src:
try:
parsed = urlparse(src)
filename = os.path.basename(parsed.path)
dest_path = os.path.join(folder, filename)
urllib.request.urlretrieve(src, dest_path)
img["src"] = filename
except Exception as e:
pass
return str(soup)
def parse_sitemap_and_process():
os.makedirs(BASE_OUTPUT_DIR, exist_ok=True)
sitemap_xml = urllib.request.urlopen(SITEMAP_URL).read()
root = ET.fromstring(sitemap_xml)
url_elems = root.findall("{http://www.sitemaps.org/schemas/sitemap/0.9}url")
for url_elem in url_elems:
loc_elem = url_elem.find("{http://www.sitemaps.org/schemas/sitemap/0.9}loc")
if loc_elem is not None:
page_url = loc_elem.text.strip()
try:
subpath = get_last_path_components(page_url)
folder_path = os.path.join(BASE_OUTPUT_DIR, subpath)
os.makedirs(folder_path, exist_ok=True)
html = fetch_rendered_html(page_url)
wrapper_html = extract_content_wrapper(html)
if not wrapper_html:
continue
updated_html = update_image_sources(wrapper_html, folder_path)
index_html_path = os.path.join(folder_path, "_index.html")
with open(index_html_path, "w", encoding="utf-8") as f:
f.write(updated_html)
os.system(f"python3 {GPT_CONVERTER_SCRIPT} \"{index_html_path}\"")
except Exception as e:
pass
if __name__ == "__main__":
parse_sitemap_and_process()Trin 3: Konverter HTML til Markdown med OpenAI
generate_md.py læser hver _index.html-fil, sender indholdet til OpenAI’s Chat API og skriver den resulterende Markdown.
#!/usr/bin/env python3
import os, sys, json, time, random
import urllib.request, urllib.error
from bs4 import BeautifulSoup
API_MODEL = "gpt-4o"
API_KEY_FILE = "OPENAI_API_KEY.TXT"
DISABLE_API_REQUESTS = False
def read_openai_api_key():
with open(API_KEY_FILE, "r", encoding="utf-8") as f:
return f.read().strip()
def call_openai_to_convert_to_markdown(html_content, api_key=None):
if DISABLE_API_REQUESTS:
return html_content
if api_key is None:
api_key = read_openai_api_key()
time.sleep(round(random.uniform(1.0, 2.0), 2))
system_prompt = (
"You are a tool that converts HTML content from blog posts into well-structured Markdown (.md) format. "
"Convert all visible text content and replace all <img> tags with Markdown image syntax using their local filenames. "
"Retain the content hierarchy using proper markdown headers, and preserve paragraph structure. "
"Make sure image alt attributes (if any) are preserved as the alt text in the markdown image syntax."
)
data = {"model": API_MODEL, "temperature": 0.3,
"messages": [{"role": "system", "content": system_prompt}, {"role": "user", "content": html_content}]}
request = urllib.request.Request("https://api.openai.com/v1/chat/completions",
data=json.dumps(data).encode("utf-8"),
headers={"Authorization": f"Bearer {api_key}", "Content-Type": "application/json"})
try:
with urllib.request.urlopen(request) as response:
result = json.load(response)
return result["choices"][0]["message"]["content"].strip()
except Exception as e:
return ""
def main():
if len(sys.argv) != 2:
return
html_file = sys.argv[1]
if not os.path.exists(html_file):
return
with open(html_file, "r", encoding="utf-8") as f:
html = f.read()
html_content = BeautifulSoup(html, "html.parser").prettify()
markdown = call_openai_to_convert_to_markdown(html_content)
if markdown:
md_path = os.path.join(os.path.dirname(html_file), "_index.md")
with open(md_path, "w", encoding="utf-8") as f:
f.write(markdown)
if __name__ == "__main__":
main()Outputmappestruktur
Efter kørsel af pipelinen får hvert blogindlæg sin egen mappe:
downloads/
your-post-title/
_index.html # Udtrukket og renset HTML
_index.md # Konverteret Markdown
image1.png # Downloadede billeder
image2.pngOpenAI API nøgleopsætning
Gem din API-nøgle i en fil kaldet OPENAI_API_KEY.TXT i scriptmappen:
sk-XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXKør den fulde pipeline
bash fetch_blog_posts.shDenne ene kommando opsætter miljøet, scraper alle blogindlæg fra sitemappen, downloader billeder og konverterer alt til Markdown.
Bidrag til projektet
Projektet er open source. Fejlrapporter, funktionsforslag og pull requests er velkomne.
Ofte stillede spørgsmål
Hvorfor kan jeg ikke bare bruge requests til at scrape Wix blogindlæg?
Fungerer dette med enhver Wix blog?
SITEMAP_URL-variablen i parse_blog_sitemap.py til at pege på dit sites sitemap.
Hvilken OpenAI model bruger dette?
API_MODEL-variablen i generate_md.py for at bruge en anden model.
Kan jeg bruge dette til at migrere fra Wix til Hugo?
_index.md-filer for at fuldføre migrationen.