wp_to_jekyll.py

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

import os
import re
import html
import argparse
from datetime import datetime
from xml.etree import ElementTree as ET
import unicodedata

# Névterek definiálása, amelyeket a WordPress export XML használ
NAMESPACES = {
    'wp': 'http://wordpress.org/export/1.2/',
    'content': 'http://purl.org/rss/1.0/modules/content/',
    'excerpt': 'http://purl.org/rss/1.0/modules/excerpt/',
    'dc': 'http://purl.org/dc/elements/1.1/',
}

def slugify(text):
    """
    Szöveg átalakítása URL-barát slug formátumra
    """
    text = unicodedata.normalize('NFKD', text).encode('ascii', 'ignore').decode('ascii')
    text = re.sub(r'[^\w\s-]', '', text.lower())
    return re.sub(r'[-\s]+', '-', text).strip('-_')

def process_wordpress_export(xml_file, output_dir, by_category=True):
    """
    WordPress export XML fájl feldolgozása és Jekyll-kompatibilis fájlok készítése
    """
    # Kimenet mappa létrehozása, ha még nem létezik
    if not os.path.exists(output_dir):
        os.makedirs(output_dir)
    
    # XML fájl beolvasása
    tree = ET.parse(xml_file)
    root = tree.getroot()
    
    # Csatorna (channel) elem megkeresése
    channel = root.find('channel')
    
    if channel is None:
        print("Hiba: Az XML fájl nem tartalmaz 'channel' elemet!")
        return
    
    # Bejegyzések feldolgozása
    for item in channel.findall('item'):
        # Csak a 'post' típusú elemek kellenek
        post_type = item.find('.//wp:post_type', NAMESPACES)
        if post_type is None or post_type.text != 'post':
            continue
        
        # Bejegyzés státuszának ellenőrzése
        post_status = item.find('.//wp:status', NAMESPACES)
        if post_status is None or post_status.text != 'publish':
            continue
        
        # Alapadatok kinyerése
        title = item.find('title').text if item.find('title') is not None else 'Untitled'
        
        # Tartalom kinyerése
        content_node = item.find('.//content:encoded', NAMESPACES)
        content = content_node.text if content_node is not None else ''
        
        # Link kinyerése
        link_node = item.find('link')
        link = link_node.text if link_node is not None else ''
        
        # Publikálás dátuma
        pub_date_node = item.find('pubDate')
        if pub_date_node is not None and pub_date_node.text:
            try:
                pub_date = datetime.strptime(pub_date_node.text, '%a, %d %b %Y %H:%M:%S %z')
                date_prefix = pub_date.strftime('%Y-%m-%d')
            except ValueError:
                date_prefix = datetime.now().strftime('%Y-%m-%d')
        else:
            date_prefix = datetime.now().strftime('%Y-%m-%d')
        
        # Kategóriák kinyerése
        categories = []
        for cat in item.findall('category'):
            if cat.get('domain') == 'category' and cat.text != 'Uncategorized':
                # Kihagyjuk az 'Uncategorized' kategóriát
                categories.append(cat.text)
        
        # Ha nincs kategória, akkor "uncategorized" mappába tesszük
        if not categories:
            categories = ['uncategorized']
        
        # Fájl létrehozása kategóriánként
        for category in categories:
            # Kategória mappájának létrehozása
            category_slug = slugify(category)
            category_dir = os.path.join(output_dir, category_slug)
            if not os.path.exists(category_dir):
                os.makedirs(category_dir)
            
            # Fájlnév generálása
            slug = slugify(title)
            filename = f"{date_prefix}-{slug}.md"
            file_path = os.path.join(category_dir, filename)
            
            # YAML frontmatter és tartalom elkészítése
            frontmatter = f"""---
layout: post
title: "{title}"
date: {date_prefix}
categories: 
  - {category_slug}
---

link: {link}

{content}
"""
            # Fájl kiírása
            with open(file_path, 'w', encoding='utf-8') as file:
                file.write(frontmatter)
                
            print(f"Bejegyzés létrehozva: {file_path}")

def main():
    parser = argparse.ArgumentParser(description='WordPress export fájlból Jekyll markdown fájlok generálása')
    parser.add_argument('xml_file', help='WordPress export XML fájl elérési útja')
    parser.add_argument('--output', '-o', default='_posts', help='Kimeneti mappa elérési útja (alapértelmezés: _posts)')
    parser.add_argument('--by-category', '-c', action='store_true', help='Bejegyzések rendezése kategóriánként')
    
    args = parser.parse_args()
    
    process_wordpress_export(args.xml_file, args.output, args.by_category)
    print("WordPress export feldolgozása kész!")

if __name__ == "__main__":
    main()