1
import os
2
import re
3
import yaml
4
import requests
5
import json
6
from bs4 import BeautifulSoup
7
from markdownify import markdownify as md
8
from datetime import datetime
9

10
# ==============================================================================
11
# --- 配置区 (请根据你的情况修改这里) ---
12
# ==============================================================================
13
CONFIG = {
14
    # 你的 Typecho 导出的 XML 文件路径
15
    "XML_FILE_PATH": "WordPress.2025-06-21.xml",
16

17
    # 生成的 Markdown 文件存放目录
18
    "OUTPUT_DIR": "./final_posts",
19

20
    # --- Ollama 相关配置 ---
21
    "OLLAMA_API_URL": "http://localhost:11434/api/generate",
22
    "OLLAMA_MODEL": "gemma3:12b",
23
}
24
# ==============================================================================
25
# --- 配置区结束 ---
26
# ==============================================================================
27

28
def sanitize_filename(text):
29
    """
30
    清理文件名，移除Windows和URL中非法的字符，并限制长度。
31
    """
32
    text = re.sub(r'[\\/*?:"<>|]', "", text)
33
    text = re.sub(r'\s+', '-', text)
34
    return text[:100]
35

36
def call_ollama_for_chinese_metadata(original_title, content):
37
    """调用 Ollama API 获取中文的标题、摘要和标签"""
38
    print(f"    🧠 正在调用 Ollama 为《{original_title}》生成中文元数据...")
39
    content_preview = (content[:1500] + '...') if len(content) > 1500 else content
40

41
    prompt = f"""
42
作为一名资深的中文博客编辑，请仔细阅读以下文章内容，并以纯粹的、单一的 JSON 对象格式返回结果。不要包含任何额外的解释或 Markdown 格式。
43
你的任务是生成以下中文元数据：
44
- "title": 一个更吸引人、更符合 SEO 的【中文标题】。
45
- "description": 一段精炼的【中文文章摘要】，严格控制在80个汉字以内，必须是单行文本。
46
- "tags": 一个包含 2 到 4 个相关【中文关键词】的数组（字符串列表）。
47

48
--- 待分析的文章 ---
49
原始标题: "{original_title}"
50
文章内容预览:
51
{content_preview}
52
---
53

54
请严格按照以上要求，仅输出 JSON 对象：
55
"""
56

57
    payload = {
58
        "model": CONFIG["OLLAMA_MODEL"],
59
        "prompt": prompt,
60
        "format": "json",
61
        "stream": False
62
    }
63

64
    try:
65
        response = requests.post(CONFIG["OLLAMA_API_URL"], json=payload, timeout=240)
66
        response.raise_for_status()
67
        response_text = response.text
68
        try:
69
            json_data = json.loads(response_text)
70
            if 'response' in json_data:
71
                response_data = json.loads(json_data['response'])
72
            else:
73
                response_data = json_data
74
        except json.JSONDecodeError:
75
            response_data = json.loads(response.json()['response'])
76

77
        print("    ✅ Ollama 中文处理成功！")
78
        return response_data
79
    except Exception as e:
80
        print(f"    ❌ 调用或解析 Ollama 响应失败: {e}")
81
        return None
82

83
def process_xml_file():
84
    """主处理函数"""
85
    if not os.path.exists(CONFIG["XML_FILE_PATH"]):
86
        print(f"错误：XML 文件未找到！路径: {CONFIG['XML_FILE_PATH']}")
87
        return
88

89
    if not os.path.exists(CONFIG["OUTPUT_DIR"]):
90
        os.makedirs(CONFIG["OUTPUT_DIR"])
91
        print(f"创建输出目录: {CONFIG['OUTPUT_DIR']}")
92

93
    with open(CONFIG["XML_FILE_PATH"], 'r', encoding='utf-8') as file:
94
        soup = BeautifulSoup(file, 'lxml-xml')
95

96
    items = soup.find_all('item')
97
    print(f"\n找到 {len(items)} 个条目。开始转换...\n" + "="*40)
98

99
    post_count = 0
100
    for item in items:
101
        if not (item.find('wp:post_type') and item.find('wp:post_type').text == 'post' and
102
                item.find('wp:status') and item.find('wp:status').text == 'publish'):
103
            continue
104

105
        post_count += 1
106
        original_title = item.find('title').text
107
        print(f"\n[{post_count}] 正在处理: {original_title}")
108

109
        pub_date_node = item.find('wp:post_date_gmt')
110
        pub_date_str = pub_date_node.text if pub_date_node and pub_date_node.text and pub_date_node.text != '0000-00-00 00:00:00' else item.find('wp:post_date').text
111

112
        # --- 优化点 1 (已更正): 修改日期格式为 MM-DD-YYYY ---
113
        created_at = datetime.strptime(pub_date_str, '%Y-%m-%d %H:%M:%S').strftime('%m-%d-%Y')
114

115
        content_node = item.find('content:encoded')
116
        content_raw = content_node.text if content_node else ""
117
        content_md = md(content_raw[len('<!--markdown-->'):].strip()) if content_raw.startswith('<!--markdown-->') else md(content_raw, heading_style="ATX")
118

119
        metadata = call_ollama_for_chinese_metadata(original_title, content_md)
120

121
        if not metadata:
122
            print(f"    ❌ 跳过文章《{original_title}》，因为无法从 Ollama 获取元数据。")
123
            continue
124

125
        description_text = metadata.get('description', '文章摘要').replace('\n', ' ').strip()
126

127
        frontmatter = {
128
            'title': metadata.get('title', original_title),
129
            'description': description_text,
130
            'createdAt': created_at,
131
            'image': '../assets/spectre.webp',
132
            'tags': metadata.get('tags', [])
133
        }
134

135
        filename_base = sanitize_filename(original_title)
136
        filename = f"{filename_base}.md"
137
        print(f"    ℹ️ 使用原始标题生成文件名: {filename}")
138

139
        frontmatter_yaml = yaml.dump(frontmatter, allow_unicode=True, sort_keys=False, default_flow_style=False)
140
        file_content = f"---\n{frontmatter_yaml}---\n\n{content_md}"
141

142
        filepath = os.path.join(CONFIG["OUTPUT_DIR"], filename)
143

144
        with open(filepath, 'w', encoding='utf-8') as f:
145
            f.write(file_content)
146

147
        print(f"    ✅ 文件已保存: {filepath}")
148

149
    print("\n" + "="*40 + f"\n转换完成！共处理了 {post_count} 篇文章。")
150

151
if __name__ == '__main__':
152
    process_xml_file()