本周又和大家見面了，首先說一下兩周之后要進行研究生的期末考試，所以這次可能是考試之前的最后一更，我要忙著復習了，還請大家見諒，一般情況下我都是每周更新一篇技術原創。
好了，廢話不多說，咱們進入今天的主題。由于我在簡書也有自己的基地，所以每次在博客園文章更新完，還要在簡書進行更新。由于簡書文章的編輯格式是MarkDown，所以前幾次更新修改格式都是非常麻煩，浪費時間，尤其是有了圖片之后。于是，為了不讓自己的時間浪費在這么無聊的事情上，我就用學到的爬蟲知識，對我寫的文章進行格式的轉化(當然我只是按照我文章的格式進行解析的，不具有通用性，之后可以完善通用性)。
咱們就按照我寫的上面文章Scrapy爬取美女圖片第四集 突破反爬蟲(上)為例，進行格式的轉化。
來到這個界面:
你會發現文章中主要包含這幾種特殊對象:段落文本(有顏色和無顏色之分),圖片(主要是提取圖片鏈接)，代碼框中的代碼。所以咱們需要對這幾種對象進行分別提取和轉化。
老規矩，打開firebug,輸入鏈接，這次不僅需要觀察HTML結構，還要觀察網絡這個選項，捕獲這個get請求，會發現很大的不同。
同樣是表現的代碼內容，發現網絡請求返回的標簽和最后生成的標簽是不一樣的。這就是通過javascript動態修改html。那咱們該以什么為準呢？當然是以網絡請求的格式為準，因為在實際的網絡訪問中就是獲取的這個內容。
通過上面的可以看到代碼都是由pre標簽進行包裹，其他內容都是由p標簽進行包裹。所以為了統一格式，先將獲取到的pre標簽換成p標簽,并添加code屬性進行區分。當然用到的還是bs4這個神器。直接看一下代碼:
soup = BeautifulSoup(response)#,'html.parser',from_encoding='utf-8'
pres = soup.findAll('pre')
for pre in pres:
pre.name ='p'
pre['code']='yes'
首先提取其中圖片的鏈接,并按照標簽的順序添加到list中存儲:
ps = soup.findAll('p')
for p in ps:
img = p.img
if img !=None:
self.content={'tag':'img','content':img['src']}
self.papers.append(self.content)
接著提取code的代碼內容，并按照標簽的順序添加到list中存儲:
if p.get('code')=='yes':
self.content={'tag':'code','content':p.text.replace('&nbsp:','').strip()}
self.papers.append(self.content)
然后將正常段落中的顏色部分進行標注，我習慣是將加顏色的文字，最后轉化為加粗形式。從格式中看到，加顏色的字體使用span標簽進行包裹的。
咱們將標簽進行替換和標注，以便后續處理。
elif p.span != None:
spans = p.findAll('span')#找到所有的span標簽
for span in spans:
# print span.text
if span.get('style').find('color')!=-1:
# del span['style']
# span.name='color'
if span.string!=None:
span.string = 'c_start'+span.string+'c_end' #對有顏色的文本進行標注
有時候會發現，文本中有鏈接，咱們還要把鏈接進行按次序提取。
links =p.findAll('a')
for link in links:
if link.string!=None:
link.string = '['+link.string+']'+'('+link.string+')'
self.content={'tag':'text','content':p.text.replace('&nbsp:','').strip()} self.papers.append(self.content)
經過這幾個步驟就將所有要提取的內容都分離出來了，接下來進行轉化為markdown格式。
#coding:utf-8
class Convert(object):
@classmethod
def convert(self,papers):
str = ''
with open('D:\markdown.txt','w') as file_writer:
for p in papers:
if p['tag']=='text':
str = p['content'].replace('c_start','**').replace('c_end','**') #這個是替換顏色,使用加粗
pass
elif p['tag']=='code':
str = '```'+'\r\n'+p['content']+'\r\n'+'```' #這個是代碼框的添加
else:
##這個是圖片鏈接的轉化
str = '[站外圖片上傳中……(6)]'%(p['content'])
str = '\r\n'+str+'\r\n'
file_writer.write(str.encode('utf-8'))
file_writer.write('\r\n'.encode('utf-8'))
file_writer.close()
最后咱們看一下效果，將生成的markdown文本復制到簡書上去，是否顯示正確。這個就是最后簡書文章鏈接:http://www.lxweimin.com/p/9159111bcd87。效果還是不錯的，可能需要一些微調，以前整理格式要花10幾分鐘，不超過兩分鐘就搞定
[站外圖片上傳中……(7)]
完整的代碼我已經上傳到github上:https://github.com/qiyeboy/html2Md
今天的分享就到這里，如果大家覺得還可以呀，記得打賞呦。
[站外圖片上傳中……(8)]
