Exportar Posts do Blog Wix para Markdown com OpenAI
Por Que Exportar Posts do Blog do Wix?
Resumo: Este guia mostra como exportar posts do blog Wix para Markdown usando três scripts Python: um executor de configuração, um scraper baseado em Selenium e um conversor HTML-para-Markdown alimentado por OpenAI. O resultado são arquivos Markdown limpos e portáveis prontos para Hugo, Jekyll ou qualquer gerador de sites estáticos.
Wix não oferece exportação nativa de blog para Markdown. Se você está migrando para um gerador de sites estáticos como Hugo ou Jekyll, precisa raspar as páginas renderizadas, extrair o conteúdo e convertê-lo. Este tutorial automatiza todo o processo usando Python, Selenium, BeautifulSoup e API GPT da OpenAI.
O pipeline usa três scripts:
fetch_blog_posts.sh— configura o ambiente e executa o pipelineparse_blog_sitemap.py— renderiza páginas com Selenium, extrai conteúdo, baixa imagensgenerate_md.py— converte HTML para Markdown via OpenAI
Passo 1: Configurar o Ambiente
Crie fetch_blog_posts.sh para lidar com verificações do Python, configuração do ambiente virtual, instalação de dependências e execução do pipeline.
#!/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
deactivatePasso 2: Raspar e Extrair Conteúdo do Blog
parse_blog_sitemap.py faz o trabalho pesado:
- Busca o XML do sitemap para descobrir todas as URLs dos posts do blog
- Renderiza cada página com Selenium (necessário porque o conteúdo do Wix é carregado dinamicamente)
- Extrai o
<div id="content-wrapper">para isolar o conteúdo do artigo - Baixa todas as imagens localmente e atualiza os atributos
src - Salva o HTML limpo como
_index.html - Chama o conversor Markdown
Por que Selenium em vez de requests? Wix renderiza conteúdo com JavaScript. Uma simples requisição HTTP retorna uma casca de página vazia. Selenium executa um navegador Chrome headless para obter o HTML completamente renderizado.
#!/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 # Update src to local path
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}")
# Optional: call markdown converter
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()Passo 3: Converter HTML para Markdown com OpenAI
generate_md.py lê cada arquivo _index.html, envia o conteúdo para a API Chat da OpenAI e escreve o Markdown resultante.
#!/usr/bin/env python3
import os
import sys
import json
import time
import random
import urllib.request
import urllib.error
from bs4 import BeautifulSoup
# === CONFIGURATION ===
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)
markdown = result["choices"][0]["message"]["content"].strip()
return markdown
except Exception as e:
print(f"❌ OpenAI API request failed: {e}")
return ""
def extract_html_content(file_path):
with open(file_path, "r", encoding="utf-8") as f:
html = f.read()
soup = BeautifulSoup(html, "html.parser")
return soup.prettify()
def write_markdown_file(output_path, markdown_text):
with open(output_path, "w", encoding="utf-8") as f:
f.write(markdown_text)
print(f"✅ Markdown saved to {output_path}")
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}")
html_content = extract_html_content(html_file)
markdown = call_openai_to_convert_to_markdown(html_content)
if markdown:
md_path = os.path.join(os.path.dirname(html_file), "_index.md")
write_markdown_file(md_path, markdown)
if __name__ == "__main__":
main()Estrutura de Pastas de Saída
Após executar o pipeline, cada post do blog recebe sua própria pasta:
downloads/
your-post-title/
_index.html # HTML extraído e limpo
_index.md # Markdown convertido
image1.png # Imagens baixadas
image2.pngConfiguração da Chave API OpenAI
Salve sua chave API em um arquivo chamado OPENAI_API_KEY.TXT no diretório do script:
sk-XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXExecute o Pipeline Completo
bash fetch_blog_posts.shEste único comando configura o ambiente, raspa todos os posts do blog do sitemap, baixa imagens e converte tudo para Markdown.
Contribua para o Projeto
O projeto é open source. Relatórios de bugs, sugestões de recursos e pull requests são bem-vindos.
Perguntas Frequentes
Por que não posso usar requests para raspar posts do blog Wix?
Isso funciona com qualquer blog Wix?
SITEMAP_URL em parse_blog_sitemap.py para apontar para o sitemap do seu site.
Qual modelo OpenAI isso usa?
API_MODEL em generate_md.py para usar um modelo diferente.
Posso usar isso para migrar do Wix para Hugo?
_index.md gerados para completar a migração.