Експорт блог-постів Wix у Markdown за допомогою OpenAI
Навіщо експортувати блог-пости з Wix?
Підсумок: Цей посібник показує, як експортувати блог-пости Wix у Markdown за допомогою трьох Python-скриптів: запускач налаштування, scraper на базі Selenium та конвертер HTML у Markdown на базі OpenAI. Результат — чисті, портативні файли Markdown, готові для Hugo, Jekyll або будь-якого генератора статичних сайтів.
Wix не пропонує нативного експорту блогу в Markdown. Якщо ви мігруєте на генератор статичних сайтів як Hugo або Jekyll, вам потрібно зібрати відрендерені сторінки, витягнути контент і конвертувати його. Цей посібник автоматизує весь процес за допомогою Python, Selenium, BeautifulSoup та OpenAI GPT API.
Pipeline використовує три скрипти:
fetch_blog_posts.sh— налаштовує середовище та запускає pipelineparse_blog_sitemap.py— рендерить сторінки за допомогою Selenium, витягує контент, завантажує зображенняgenerate_md.py— конвертує HTML у Markdown через OpenAI
Крок 1: Налаштування середовища
Створіть fetch_blog_posts.sh для обробки перевірки Python, налаштування віртуального середовища, встановлення залежностей та запуску 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
deactivateКрок 2: Збір та витягнення контенту блогу
parse_blog_sitemap.py виконує основну роботу:
- Отримує sitemap XML для виявлення всіх URL блог-постів
- Рендерить кожну сторінку за допомогою Selenium (потрібно, оскільки контент Wix завантажується динамічно)
- Витягує
<div id="content-wrapper">для ізоляції контенту статті - Завантажує всі зображення локально та оновлює атрибути
src - Зберігає очищений HTML як
_index.html - Викликає конвертер Markdown
Чому Selenium замість requests? Wix рендерить контент за допомогою JavaScript. Простий HTTP-запит повертає порожню оболонку сторінки. Selenium запускає headless браузер Chrome для отримання повністю відрендереного HTML.
#!/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()Крок 3: Конвертація HTML у Markdown за допомогою OpenAI
generate_md.py читає кожен файл _index.html, надсилає контент до OpenAI Chat API та записує результат у Markdown.
#!/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()Структура вихідних папок
Після запуску pipeline кожен блог-пост отримує власну папку:
downloads/
your-post-title/
_index.html # Витягнутий та очищений HTML
_index.md # Конвертований Markdown
image1.png # Завантажені зображення
image2.pngНалаштування ключа OpenAI API
Збережіть ваш API ключ у файлі OPENAI_API_KEY.TXT у директорії скриптів:
sk-XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXЗапуск повного pipeline
bash fetch_blog_posts.shЦя єдина команда налаштовує середовище, збирає всі блог-пости із sitemap, завантажує зображення та конвертує все в Markdown.
Долучайтесь до проєкту
Проєкт є відкритим. Звіти про помилки, пропозиції функцій та pull request вітаються.
Часті запитання
Чому я не можу просто використати requests для збору блог-постів Wix?
Це працює з будь-яким блогом на Wix?
SITEMAP_URL в parse_blog_sitemap.py, щоб вона вказувала на sitemap вашого сайту.
Яку модель OpenAI це використовує?
API_MODEL в generate_md.py для використання іншої моделі.
Чи можу я використати це для міграції з Wix на Hugo?
_index.md для завершення міграції.