163 lines
5.8 KiB
Bash
163 lines
5.8 KiB
Bash
#!/bin/bash
|
||
# ==============================================================
|
||
# txt.sh
|
||
#
|
||
# 把 Docusaurus build 出來的 HTML，轉換成純文字檔（.txt）
|
||
#
|
||
# 運作方式：
|
||
# 1. 掃描 build 底下所有的 index.html
|
||
# 2. 排除非文章頁面：tags、archive、page（分頁）、以及網站首頁
|
||
# 3. 用 BeautifulSoup 抓出 <article> 內容，過濾掉側邊欄
|
||
# 4. 移除 Docusaurus 自己塞在 <article> 裡的介面元素
|
||
# （麵包屑、本頁導覽、編輯此頁⋯⋯只有 /docs 會有這些）
|
||
# 5. 幫 h1~h4 標題加上裝飾符號，保留標題層級感
|
||
# 6. 用 w3m -dump 轉成純文字，正確處理中英文寬度
|
||
# 7. 輸出檔名採用文章 slug（資料夾名稱）
|
||
#
|
||
# 使用 xargs -P 平行處理，加快多篇文章的轉換速度
|
||
#
|
||
# 前置需求：python3、beautifulsoup4（pip install beautifulsoup4）、w3m
|
||
# ==============================================================
|
||
cd "$(dirname "$0")"
|
||
SRC="/path/to/build"
|
||
DST="/path/to/build"
|
||
BASE_URL="https://wiwi.blog" # 相對連結會補上這個網域
|
||
mkdir -p "$DST"
|
||
export SRC DST BASE_URL
|
||
process_one() {
|
||
file="$1"
|
||
rel="${file#$SRC/}"
|
||
slug=$(dirname "$rel")
|
||
out="$DST/$slug.txt"
|
||
tmp=$(mktemp)
|
||
# 注意：python 程式碼用單引號包住，檔名透過 sys.argv 傳進去，
|
||
# 這樣路徑裡有引號或空白也不會出事
|
||
python3 -c '
|
||
import os, sys
|
||
from bs4 import BeautifulSoup
|
||
soup = BeautifulSoup(open(sys.argv[1], encoding="utf-8"), "html.parser")
|
||
article = soup.find("article")
|
||
if not article:
|
||
article = soup
|
||
|
||
# Docusaurus 會把這些介面元素塞在 <article> 裡面，轉成純文字後很礙眼。
|
||
# 主要是 /docs 頁面才有；不想拿掉哪一個，把該行前面加 # 註解掉即可。
|
||
NOISE = [
|
||
"nav.theme-doc-breadcrumbs", # 麵包屑（首頁 › 科學 › 文章名）
|
||
".breadcrumbs", # 麵包屑的備用選擇器
|
||
".theme-doc-toc-mobile", # 手機版的「本頁導覽」
|
||
".theme-doc-toc-desktop", # 桌面版目錄（通常在 article 外，保險起見）
|
||
".tableOfContents", # 目錄的備用選擇器
|
||
".theme-doc-version-badge", # 版本標籤
|
||
".theme-doc-version-banner", # 版本提示橫幅
|
||
"footer.theme-doc-footer", # 頁尾的「編輯此頁」與最後更新時間
|
||
".pagination-nav", # 上一頁／下一頁
|
||
".theme-edit-this-page", # 編輯此頁的備用選擇器
|
||
]
|
||
for selector in NOISE:
|
||
for el in article.select(selector):
|
||
el.decompose()
|
||
# 收集文章裡的連結與圖片，在原處標上 [n]，網址統一列到文章最下方。
|
||
# 跳過純錨點、標題旁的 # 錨點、以及腳註區塊裡的來回連結。
|
||
BASE = os.environ.get("BASE_URL", "")
|
||
|
||
def absolute(u):
|
||
if not u:
|
||
return None
|
||
if u.startswith("data:"): # base64 的 placeholder，沒意義
|
||
return None
|
||
if u.startswith("/"):
|
||
return BASE + u
|
||
if u.startswith(("http://", "https://", "mailto:")):
|
||
return u
|
||
return None
|
||
|
||
def to_txt(u):
|
||
# 站內連結改指向純文字版，讓 .txt 之間可以互相跳轉。
|
||
# 圖片、外部連結、已經有副檔名的都不動。
|
||
if any(s in u for s in ("/tags/", "/archive/", "/page/")):
|
||
return u
|
||
if not BASE or not u.startswith(BASE):
|
||
return u
|
||
path = u[len(BASE):]
|
||
# 切掉 query string 跟錨點，處理完再接回去
|
||
tail = ""
|
||
for sep in ("#", "?"):
|
||
i = path.find(sep)
|
||
if i != -1:
|
||
tail = path[i:] + tail
|
||
path = path[:i]
|
||
if not path or path == "/":
|
||
return u
|
||
path = path.rstrip("/")
|
||
if "." in path.rsplit("/", 1)[-1]: # 已經有副檔名（.png、.pdf⋯⋯）
|
||
return u
|
||
return BASE + path + ".txt" + tail
|
||
|
||
|
||
links = []
|
||
seen = {}
|
||
|
||
def mark(el, url, label):
|
||
n = seen.get(url)
|
||
if n is None:
|
||
n = len(links) + 1
|
||
seen[url] = n
|
||
links.append((n, url, label))
|
||
el.insert_after(soup.new_string(" [" + str(n) + "]"))
|
||
|
||
for el in article.find_all(["a", "img"]):
|
||
if el.name == "a":
|
||
if not el.get_text(strip=True):
|
||
continue
|
||
href = el.get("href", "")
|
||
if href.startswith("#"):
|
||
continue
|
||
if el.find_parent(["h1", "h2", "h3", "h4", "h5", "h6"]):
|
||
continue
|
||
if el.find_parent(class_="footnotes"):
|
||
continue
|
||
url = absolute(href)
|
||
if url:
|
||
mark(el, to_txt(url), "")
|
||
else:
|
||
# 圖片：srcset 裡通常有原始尺寸，優先取 src
|
||
url = absolute(el.get("src", ""))
|
||
if url:
|
||
# 沒有 alt 的圖片，w3m 會印出檔名之類的神秘文字，
|
||
# 乾脆把 alt 換成統一的標記
|
||
el["alt"] = "圖片"
|
||
mark(el, url, "圖片")
|
||
|
||
if links:
|
||
pre = soup.new_tag("pre") # 用 pre 包住，長網址才不會被 w3m 斷行切壞
|
||
pre.string = "\n── 連結與圖片 ──\n\n" + "\n".join(
|
||
"[" + str(n) + "] " + ("（圖片）" if lab else "") + u
|
||
for n, u, lab in links)
|
||
article.append(pre)
|
||
|
||
|
||
# 幫不同層級的標題加上裝飾，這樣轉成純文字之後還是看得出層級
|
||
for tag in article.find_all("h1"):
|
||
tag.string = "\n═══ " + tag.get_text() + " ═══\n"
|
||
for tag in article.find_all("h2"):
|
||
tag.string = "\n── " + tag.get_text() + " ──\n"
|
||
for tag in article.find_all("h3"):
|
||
tag.string = "\n◆ " + tag.get_text() + "\n"
|
||
for tag in article.find_all("h4"):
|
||
tag.string = "\n・" + tag.get_text() + "\n"
|
||
print(str(article))
|
||
' "$file" > "$tmp"
|
||
w3m -dump -cols 80 -O UTF-8 -T text/html "$tmp" > "$out"
|
||
rm -f "$tmp"
|
||
echo "完成:$out"
|
||
}
|
||
export -f process_one
|
||
find "$SRC" -name "*.html" \
|
||
| grep -vE "/tags/|/archive/|/page/" \
|
||
| grep -v "^${SRC}/index.html$" \
|
||
| xargs -P 23 -I {} bash -c 'process_one "$@"' _ {}
|
||
echo ""
|
||
echo "全部轉換完成!輸出在 $DST/"
|
||
python3 txt_index.py
|