Wix Blog Yazılarını OpenAI ile Markdown'a Aktarma
Neden Wix’ten Blog Yazılarını Dışa Aktarmalısınız?
Özet: Bu rehber, üç Python betiği kullanarak Wix blog yazılarını Markdown’a nasıl aktaracağınızı gösterir: bir kurulum çalıştırıcı, Selenium tabanlı bir scraper ve OpenAI destekli bir HTML-Markdown dönüştürücü. Sonuç, Hugo, Jekyll veya herhangi bir statik site oluşturucu için hazır temiz, taşınabilir Markdown dosyalarıdır.
Wix, Markdown’a yerel blog dışa aktarımı sunmaz. Hugo veya Jekyll gibi bir statik site oluşturucuya geçiyorsanız, işlenmiş sayfaları scrape etmeniz, içeriği çıkarmanız ve dönüştürmeniz gerekir. Bu rehber, Python, Selenium, BeautifulSoup ve OpenAI GPT API kullanarak tüm süreci otomatikleştirir.
Pipeline üç betik kullanır:
fetch_blog_posts.sh— ortamı kurar ve pipeline’ı çalıştırırparse_blog_sitemap.py— Selenium ile sayfaları işler, içeriği çıkarır, görselleri indirirgenerate_md.py— OpenAI aracılığıyla HTML’yi Markdown’a dönüştürür
Adım 1: Ortamı Kurma
Python kontrolleri, sanal ortam kurulumu, bağımlılık yüklemesi ve pipeline yürütmesi için fetch_blog_posts.sh oluşturun.
#!/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
deactivateAdım 2: Blog İçeriğini Scrape Etme ve Çıkarma
parse_blog_sitemap.py ağır işi yapar:
- Tüm blog yazısı URL’lerini keşfetmek için sitemap XML’ini alır
- Her sayfayı Selenium ile işler (Wix içeriği dinamik olarak yüklendiği için gereklidir)
- Makale içeriğini izole etmek için
<div id="content-wrapper">‘ı çıkarır - Tüm görselleri yerel olarak indirir ve
srcniteliklerini günceller - Temizlenmiş HTML’yi
_index.htmlolarak kaydeder - Markdown dönüştürücüyü çağırır
Neden requests yerine Selenium? Wix, içeriği JavaScript ile işler. Basit bir HTTP isteği boş bir sayfa kabuğu döndürür. Selenium, tam olarak işlenmiş HTML’yi almak için bir headless Chrome tarayıcısı çalıştırır.
#!/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()Adım 3: OpenAI ile HTML’yi Markdown’a Dönüştürme
generate_md.py her _index.html dosyasını okur, içeriği OpenAI Chat API’sine gönderir ve sonuç Markdown’ı yazar.
#!/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()Çıktı Klasör Yapısı
Pipeline çalıştırıldıktan sonra her blog yazısı kendi klasörünü alır:
downloads/
your-post-title/
_index.html # Çıkarılmış ve temizlenmiş HTML
_index.md # Dönüştürülmüş Markdown
image1.png # İndirilen görseller
image2.pngOpenAI API Anahtarı Kurulumu
API anahtarınızı betik dizininde OPENAI_API_KEY.TXT adlı bir dosyaya kaydedin:
sk-XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXTam Pipeline’ı Çalıştırma
bash fetch_blog_posts.shBu tek komut ortamı kurar, sitemap’teki tüm blog yazılarını scrape eder, görselleri indirir ve her şeyi Markdown’a dönüştürür.
Projeye Katkıda Bulunun
Proje açık kaynaklıdır. Hata raporları, özellik önerileri ve pull request’ler hoş karşılanır.
Sık Sorulan Sorular
Wix blog yazılarını scrape etmek için neden sadece requests kullanamıyorum?
Bu herhangi bir Wix bloguyla çalışır mı?
parse_blog_sitemap.py‘deki SITEMAP_URL değişkenini sitenizin sitemap’ine yönlendirmek yeterlidir.
Hangi OpenAI modelini kullanıyor?
generate_md.py‘deki API_MODEL değişkenini değiştirebilirsiniz.
Bunu Wix’ten Hugo’ya geçiş için kullanabilir miyim?
_index.md dosyalarına front matter ekleyin.