set_metadata_from_wp_xml.py

# coding: utf-8
from __future__ import division, print_function, absolute_import, unicode_literals

__author__ = 'hiroshi sano<hrs.sano645@gmail.com>'

import bs4
import codecs
import glob
import re
import os

MD_FILES_DIR = "[SET pelican imported markdown directory path]"
WP_XML_FILE = "[SET Wordpress XML file path]"
BLOG_BASEURL = "[SET BLOG URL]"

MD_TITLE_PATTERN = r"^Title: (.+)$"

OUTPUT_DIR_NAME = "output"

# xmlのエントリーからsave_asとurlを作る


def main():
    # bs4でxmlファイルを読み込む
    with open(WP_XML_FILE) as fstrm_wp_xml:
        wp_import_xml_raw = fstrm_wp_xml.read()
    bs_wp_xml = bs4.BeautifulSoup(wp_import_xml_raw, "xml")

    # ファイルを取り出し、bs4のfind_allで取得したitemを取り出す。
    titles_and_urls = [(item.title.get_text(), item.link.get_text()) for item in bs_wp_xml.find_all("item")]

    # ファイルを保存するディレクトリを作る
    if not os.path.exists(OUTPUT_DIR_NAME):
        os.mkdir(OUTPUT_DIR_NAME)

    output_dir_path = os.path.abspath(OUTPUT_DIR_NAME)
    print("output dir path : {}".format(output_dir_path))

    # フォルダを開いて対象の extension のファイル一覧を作る
    target_filenames = glob.glob(MD_FILES_DIR)

    # ファイルを取り出して
    for md_filename in target_filenames:
        # ファイルを開いて readlines を取得
        with codecs.open(md_filename, encoding="utf-8") as md_file:
            md_file_readlines = md_file.readlines()

        # メタデータのタイトルの文字列を取り出す
        md_meta_title_str = re.findall(MD_TITLE_PATTERN, md_file_readlines[0])[0]

        # itemsのtitles_and_urlsをループさせて、当てはまるタイトルを探させて、URLを探す
        for title, url in titles_and_urls:
            if md_meta_title_str == title:

                # linkをsave_as, urlのメタデータにするために加工
                md_meta_save_as = "Save_as: " + url.replace(BLOG_BASEURL, "") + "index.html\n"
                md_meta_url = "Url: " + url.replace(BLOG_BASEURL, "") + "\n"

                md_file_readlines.insert(0, md_meta_save_as)
                md_file_readlines.insert(1, md_meta_url)

                print("title match!\ntitle:{} , \n{} , {}".format(title, md_meta_save_as.rstrip(), md_meta_url.rstrip()))

                # 新しいファイルを生成する。
                export_file_path = os.path.join(output_dir_path, os.path.basename(md_filename))
                with codecs.open(export_file_path, mode="w", encoding="utf-8") as export_file:
                    export_file.writelines(md_file_readlines)
                    print("export file {}\n".format(export_file_path))

if __name__ == '__main__':
    main()