OpenAI के साथ Wix ब्लॉग पोस्ट को Markdown में एक्सपोर्ट करें
Wix से ब्लॉग पोस्ट क्यों एक्सपोर्ट करें?
संक्षेप में: यह गाइड दिखाती है कि तीन Python स्क्रिप्ट का उपयोग करके Wix ब्लॉग पोस्ट को Markdown में कैसे एक्सपोर्ट करें: एक सेटअप रनर, एक Selenium-आधारित scraper, और एक OpenAI-संचालित HTML-से-Markdown कन्वर्टर। परिणाम क्लीन, पोर्टेबल Markdown फाइलें हैं जो Hugo, Jekyll या किसी भी स्टैटिक साइट जनरेटर के लिए तैयार हैं।
Wix Markdown में नेटिव ब्लॉग एक्सपोर्ट प्रदान नहीं करता। यदि आप Hugo या Jekyll जैसे स्टैटिक साइट जनरेटर पर माइग्रेट कर रहे हैं, तो आपको रेंडर किए गए पेजों को स्क्रैप करना, कंटेंट निकालना और कन्वर्ट करना होगा। यह ट्यूटोरियल Python, Selenium, BeautifulSoup और OpenAI के GPT API का उपयोग करके पूरी प्रक्रिया को ऑटोमेट करता है।
पाइपलाइन तीन स्क्रिप्ट का उपयोग करती है:
fetch_blog_posts.sh— एनवायरनमेंट सेटअप करता है और पाइपलाइन चलाता हैparse_blog_sitemap.py— Selenium से पेज रेंडर करता है, कंटेंट एक्सट्रैक्ट करता है, इमेज डाउनलोड करता हैgenerate_md.py— OpenAI के माध्यम से HTML को Markdown में कन्वर्ट करता है
स्टेप 1: एनवायरनमेंट सेटअप करें
Python चेक, वर्चुअल एनवायरनमेंट सेटअप, डिपेंडेंसी इंस्टॉलेशन और पाइपलाइन एक्सीक्यूशन को हैंडल करने के लिए fetch_blog_posts.sh बनाएं।
#!/bin/bash
# setup_blog_scraper.sh
# Usage: bash setup_blog_scraper.sh
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
deactivateस्टेप 2: ब्लॉग कंटेंट स्क्रैप और एक्सट्रैक्ट करें
parse_blog_sitemap.py मुख्य काम करता है:
- सभी ब्लॉग पोस्ट URLs खोजने के लिए sitemap XML फेच करता है
- प्रत्येक पेज को Selenium से रेंडर करता है (आवश्यक क्योंकि Wix कंटेंट डायनामिकली लोड करता है)
- आर्टिकल कंटेंट को अलग करने के लिए
<div id="content-wrapper">एक्सट्रैक्ट करता है - सभी इमेज लोकली डाउनलोड करता है और
srcएट्रिब्यूट अपडेट करता है - क्लीन HTML को
_index.htmlके रूप में सेव करता है - Markdown कन्वर्टर को कॉल करता है
Selenium क्यों, requests नहीं? Wix JavaScript से कंटेंट रेंडर करता है। एक साधारण HTTP रिक्वेस्ट खाली पेज शेल रिटर्न करती है। Selenium पूरी तरह रेंडर किया हुआ HTML प्राप्त करने के लिए headless Chrome ब्राउज़र चलाता है।
#!/usr/bin/env python3
import os
import re
import 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
# === CONFIG ===
SITEMAP_URL = "https://www.everappz.com/blog-posts-sitemap.xml"
BASE_OUTPUT_DIR = "downloads"
GPT_CONVERTER_SCRIPT = "generate_md.py"
# === UTILITIES ===
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)
print(f"📥 Downloading image: {img_url}")
urllib.request.urlretrieve(img_url, dest_path)
return filename
except Exception as e:
print(f"⚠️ Failed to download image: {img_url} - {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):
from urllib.parse import urlparse
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)
print(f"📥 Downloading image: {src}")
urllib.request.urlretrieve(src, dest_path)
img["src"] = filename
except Exception as e:
print(f"⚠️ Failed to download image: {src} - {e}")
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")
print(f"🔎 Total URLs found: {len(url_elems)}")
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()
print(f"\n🔗 Processing: {page_url}")
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:
print(f"❌ No <div id='content-wrapper'> found in {page_url}")
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)
print(f"✅ Saved: {index_html_path}")
os.system(f"python3 {GPT_CONVERTER_SCRIPT} \"{index_html_path}\"")
except Exception as e:
print(f"❌ Failed to process {page_url}: {e}")
if __name__ == "__main__":
parse_sitemap_and_process()स्टेप 3: OpenAI के साथ HTML को Markdown में कन्वर्ट करें
generate_md.py प्रत्येक _index.html फाइल पढ़ता है, कंटेंट को OpenAI के Chat API को भेजता है और रिजल्ट Markdown लिखता है।
#!/usr/bin/env python3
import os, sys, json, time, random, 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:
print(f"❌ OpenAI API request failed: {e}")
return ""
def main():
if len(sys.argv) != 2:
print("Usage: python3 generate_md.py path/to/_index.html")
return
html_file = sys.argv[1]
if not os.path.exists(html_file):
print(f"❌ File not found: {html_file}")
return
print(f"🔍 Converting HTML to Markdown: {html_file}")
with open(html_file, "r", encoding="utf-8") as f:
html = f.read()
soup = BeautifulSoup(html, "html.parser")
markdown = call_openai_to_convert_to_markdown(soup.prettify())
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)
print(f"✅ Markdown saved to {md_path}")
if __name__ == "__main__":
main()आउटपुट फ़ोल्डर स्ट्रक्चर
downloads/
your-post-title/
_index.html # एक्सट्रैक्ट और क्लीन किया हुआ HTML
_index.md # कन्वर्टेड Markdown
image1.png # डाउनलोड की गई इमेज
image2.pngOpenAI API कुंजी सेटअप
अपनी API कुंजी को स्क्रिप्ट डायरेक्टरी में OPENAI_API_KEY.TXT नामक फ़ाइल में सेव करें:
sk-XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXपूरी पाइपलाइन चलाएं
bash fetch_blog_posts.shयह एक कमांड एनवायरनमेंट सेटअप करती है, sitemap से सभी ब्लॉग पोस्ट स्क्रैप करती है, इमेज डाउनलोड करती है और सब कुछ Markdown में कन्वर्ट करती है।
प्रोजेक्ट में योगदान करें
प्रोजेक्ट ओपन सोर्स है।
अक्सर पूछे जाने वाले प्रश्न
Wix ब्लॉग पोस्ट स्क्रैप करने के लिए requests का उपयोग क्यों नहीं कर सकते?
क्या यह किसी भी Wix ब्लॉग के साथ काम करता है?
parse_blog_sitemap.py में SITEMAP_URL वेरिएबल अपडेट करें।
कौन सा OpenAI मॉडल उपयोग होता है?
generate_md.py में API_MODEL वेरिएबल बदलें।