将WordPress导出转换为Markdown的利器
在数字化内容创作的世界中,越来越多的人选择使用静态站点生成器来托管他们的博客和网站,如Gatsby、Hugo和Jekyll等。但如何将现有的WordPress内容顺利迁移到这些平台?这就引出了我们的主角——wordpress-export-to-markdown。
这是一个强大的脚本,能将WordPress的XML导出文件直接转化为适合静态站点生成器的Markdown文件。不仅如此,它还能保留所有的图像,并处理嵌入的内容,如YouTube视频、Twitter推文或CodePen代码片段,使迁移过程变得简单快捷。

快速上手
要开始使用这个工具,你只需要:
- 安装Node.js v12.14或更高版本。
- 获取你的WordPress导出文件(确保选择了“全部内容”以保存图片和/或页面)。
然后,在命令行里,你可以通过以下方式运行:
npx wordpress-export-to-markdown
或者克隆项目后再运行(这样重复运行更快,还可以自定义代码)。克隆后在终端转到包目录并执行:
npm install && node index.js
无论是哪种方式,它都会启动一个向导,引导你完成设置。
命令行选项
如果想在命令行中设置选项,你可以这样做:
npx wordpress-export-to-markdown --post-folders=false --prefix-date=true
或者在本地克隆的副本中运行:
node index.js --post-folders=false --prefix-date=true
向导会询问未指定的选项,如果你想完全跳过向导并使用默认值,可以添加--wizard=false。
可选参数
-
使用向导?(
--wizard)- 类型:布尔型
- 默认:
true - 启用后,脚本会提示你每个选项。禁用则直接使用默认值。
-
WordPress导出文件路径?(
--input)- 类型:文件路径
- 默认:
export.xml - 指定WordPress导出文件的位置。
-
输出文件夹路径?(
--output)- 类型:文件夹路径
- 默认:
output - 指定Markdown和图片文件的保存位置。若不存在,将为你创建。
-
创建年份文件夹?(
--year-folders)- 类型:布尔型
- 默认:
false - 是否按年份组织输出文件。
-
创建月份文件夹?(
--month-folders)- 类型:布尔型
- 默认:
false - 是否按月份组织输出文件。通常与
--year-folders结合使用。
-
为每篇文章创建文件夹?(
--post-folders)- 类型:布尔型
- 默认:
true - 设置是否以帖子的slug为名创建文件夹,以及Markdown文件名为
index.md。
-
在帖子文件名前加上日期?(
--prefix-date)- 类型:布尔型
- 默认:
false - 是否在帖子slug前加上发布日期。
-
保存附加到帖子的图片?(
--save-attached-images)- 类型:布尔型
- 默认:
true - 是否下载并保存与帖子关联的图片。
-
保存从文章内容中抓取的图片?(
--save-scraped-images)- 类型:布尔型
- 默认:
true - 是否下载并保存从
<img>标签中提取的图片。
-
包括自定义类型和页面?(
--include-other-types)- 类型:布尔型
- 默认:
false - 如果设为
true,将包含自定义类型和其他类型的帖子。
高级设置
在settings.js中,你可以调整一些高级设置,比如限制图片下载速度,或自定义前端元数据中的日期格式。这需要在本地运行脚本来启用这些设置。
总的来说,wordpress-export-to-markdown是一个强大且灵活的工具,可以帮助你轻松地将WordPress站点平滑过渡到各种静态站点生成器。无论你是希望简化维护,还是为了追求更高的性能,这个项目都值得尝试。现在就开始你的Markdown之旅吧!
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0106
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00