导入了所有旧博客的文章

端午假期开始动手的小项目，就是把我以前备份下来的博客文章全部转成 Markdown。现在这里共有文章 200 多篇了。以前写的东西，现在看起来当然是挺幼稚和傻逼的，不过也无所谓了，放上来奇文共赏吧，反正这里也没啥人气的。

写的转换脚本比较简陋，连基本的校验输入都没有那种，不过出来的效果还不错。这里就不放代码献丑了，有需要研究的可以留言。

用的语言当然是 JavaScript，近几个月都在用。再加上 NodeJS 的一些包，很快就能搞定。

• cheerio，能在 NodeJS 里使用 jQuery 的选择器，爬 HTML/XML 必备。
• html-md，一个转换 HTML 到 Markdown 的包，效果不错。
• iconv-lite，用来转码的包，如果页面是 GBK 而不是 UTF8， 就要用到了。

我以前在百步梯空间上的 WordPress，是通过 aReal-Html-Cache 插件备份出来的 HTML，具体看此文：在FreeBSD上搭建"FAMP"平台恢复Wordpress的文章（下）。然后在百度空间上备份出来的，也是 HTML，忘了当时是怎么导出的了。昨天回去重新激活百度空间，发现以前所有文章已经被清空，不错。。然后在网易博客上备份出来的，是 XML，其实就是 RSS 订阅。所以基本上能 RSS 订阅全文的博客空间，都可以比较容易转换成 Markdown。Jekyll 也提供 RSS 转 post 的工具，但感觉功能比较基础，例如文章的准确时间没法读出，所以就自己动手写个 parser 了，其实也不难，几十行的玩意。最后 QQ 空间上的几篇，懒得折腾，手动解决了。。

脚本很简单，就是用 cheerio 爬导出来的 HTML 或者 XML，找到对应的内容，用正则表达式处理一下（这次也顺道温习巩固了正则表达式的使用），最后整合生成 Jekyll 的 post 格式即可。正文部分可以用 html-md 转一下，那就不用自己麻烦写个 parser 了。这里有个小坑，貌似所有开源的 HTML parser 都不能正确爬出带有特殊字符的文本，例如 >_<，这个需要自己先转义一下再交给 parser 了。

文件名方面，日期很好办，就靠 parser 解出来，但标题的话，我是全部手动解决了。中文标题在 Jekyll 2.0 版本有 bug，据说会在 2.04 或者 2.1 版本解决。其实标题的话，也有自动转换的思路，先用正则把特殊符号清掉，然后用一个汉字转拼音的包转一下就好了。不过懒得去尝试了，只想最快速度把文章导好。。如果上千篇文章的话，那不妨写个小脚本吧。

旧文章中的图片，当然是没有了，手动 Review 了所有文章，人工清理了一下。

看回以前的文章，不免会想起以前的岁月，还好这炎热的夏日不容易多愁善感。

于 2014 年 6 月 15 日下午

-EOF-