WordPress导出文件内容提取器

这是一个Python脚本，用于从WordPress导出的XML文件中提取文章标题和正文内容，并转换为多种格式。

🚀 功能特点

• ✅ 提取WordPress导出文件中的已发布文章
• ✅ 将HTML内容智能转换为Markdown格式
• ✅ 支持代码块语言自动检测
• ✅ 处理各种HTML标签（标题、列表、链接、粗体、斜体等）
• ✅ 修复常见的HTML嵌套错误
• ✅ 输出CSV、JSON和Markdown三种格式
• ✅ 命令行界面，易于使用
• ✅ 自动生成输出文件名

📦 安装

要求

• Python 3.x
• 无需额外依赖包（仅使用Python标准库）

下载

git clone https://github.com/your-username/wordpress-content-extractor.git
cd wordpress-content-extractor

🔧 使用方法

基本语法

python extract_wordpress_content.py <WordPress导出文件路径>

📝 示例

# 处理当前目录的文件
python extract_wordpress_content.py WordPress.2025-10-10.xml

# 处理其他目录的文件
python extract_wordpress_content.py "C:\path\to\your\wordpress-export.xml"

📤 输出文件

脚本会在输入文件的同一目录中生成以下文件：

• [输入文件名]_extract.csv - CSV格式，包含标题、作者、发布日期、字数、Markdown正文、纯文本正文
• [输入文件名]_extract.json - JSON格式，包含完整的文章数据结构
• [输入文件名]_extract.md - Markdown格式，包含所有文章的格式化文档

示例

如果输入文件是 WordPress.2025-10-10.xml，输出文件将是：

• WordPress.2025-10-10_extract.csv
• WordPress.2025-10-10_extract.json
• WordPress.2025-10-10_extract.md

📊 数据结构

每篇文章包含以下字段：

• title: 文章标题
• content: Markdown格式正文
• plain_text: 纯文本格式正文
• html_content: 原始HTML正文
• author: 作者
• publish_date: 发布日期
• word_count: 字数统计

🔄 支持的内容转换

HTML到Markdown转换

• 标题 (<h1> - <h6> → # - ######)
• 粗体 (<strong>, <b> → **text**)
• 斜体 (<em>, <i> → *text*)
• 链接 (<a href="url">text</a> → [text](url))
• 列表 (<ul>, <ol>, <li> → - 或 1.)
• 代码块 (<pre>, <code> → 带语言检测的代码块)
• 引用块 (<blockquote> → > text)
• 换行 (<br> → 换行)
• 水平线 (<hr> → ---)

代码语言自动检测

脚本能自动检测以下编程语言：

• PHP (以 <?php 开头)
• JavaScript (以 function, var, dojo. 开头)
• Java (以 public class, @ 开头)
• SQL (包含 SELECT, FROM 关键字)
• XML (以 < 开头，> 结尾)

⚠️ 注意事项

• 脚本只处理文章类型为 post 且状态为 publish 的内容
• 自动跳过页面、草稿和其他类型的内容
• 支持处理包含ASCII艺术图的代码块
• 字数统计基于纯文本内容计算

🐛 错误处理

• ✅ 检查文件是否存在
• ✅ 验证XML文件格式
• ✅ 处理HTML嵌套错误
• ✅ 保护代码块内容不被误删

🤝 贡献

欢迎提交Issue和Pull Request！

1. Fork 这个项目
2. 创建你的特性分支 (git checkout -b feature/AmazingFeature)
3. 提交你的更改 (git commit -m 'Add some AmazingFeature')
4. 推送到分支 (git push origin feature/AmazingFeature)
5. 开启一个Pull Request

📄 许可证

本项目采用 MIT 许可证 - 查看 LICENSE 文件了解详细信息。

---

⭐ 如果这个项目对你有帮助，请给它一个星标！