背景
去年购买了极客时间的年度会员，只有一年有效期。所以想用一些方式保存一下来购买的内容。市面上没有成熟的方案，所以决定自己编写
使用前提
开始前需要读者具备一定的开发基础。最好会点简单的JS。能使用浏览器开发者工具
需要准备以下内容：
- edge 或chrome 并安装油猴插件
- 文本编辑器
- 一双手（逃）
分析网站
分析网站分析什么？
主要分析页面及各种HTTP请求，哪种对我们更便捷。
页面抓取可行性
问题：
- 超链接无法抓取到
请求抓取可行性
现代的互联网公司的网站，基本都是前后端分离的，也就是请求的数据基本都是JSON，这为抓取数据带来了便利。
找到请求正文的请求
页面刷新一下，在所有网络请求一个一个看返回内容
找到真正的获取正文请求是https://time.geekbang.org/serv/v1/article，该请求是一个POST请求。看一下POST的数据
1
2
3
4
5
| {
"id":***,
"include_neighbors":true,
"is_freelyread":true
}
|
其他的不要在意，看一下这个ID，是不是和页面路径的https://time.geekbang.org/column/article/***后的ID一样？
那就简单了，拿到页面的URL把ID取出来
然后分析返回内容
这里展示核心内容
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
| {
"data":{
"text_read_version":0,
"audio_size":10270592,
"product_type":"p29",
"audio_dubber":"霍泰稳",
"is_finished":false,
"like":{
"had_done":false,
"count":0
},
"article_content":"****",
"article_title":"第306期 | 放下纠结，你就远离了拖延症",
"article_cshort":"今天和大家分享一个关于拖延症的话题，我猜这个话题会有很多人感兴趣。",
"author_name":"霍太稳",
"neighbors":{
"left":{
"article_title":"第305期 | 开心的时候，去跑步，心烦的时候，去跑步",
"id":256918
},
"right":{
"article_title":"第307期 | 幸福其实很简单，忘掉自己就好",
"id":257894
}
},
"product_id":100024801,
"had_liked":false,
"id":257009,
"article_summary":"今天和大家分享一个关于拖延症的话题，我猜这个话题会有很多人感兴趣。",
"column_id":172,
"audio_md5":"de4f0391304d351d9c5dd6e93f038356"
},
"code":0
}
|
注意看article_content 这里就是文章正文。我们只需要抓这部分就好了。
因为抓取请求相对比较麻烦，所以我们再发起一次请求，拿到返回内容更简单。
开始编写
- 引入JQuery
- 设定可行的页面
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
|
(function () {
'use strict';
let btn = document.createElement("button");
btn.innerHTML = "下载";
btn.style = "position: fixed;z-index: 999; left: 90%; top: 20px;";
btn.onclick = function () {
saveContext()
}
document.body.append(btn);
function saveContext() {
var url = window.location.href
var id = url.replace("https://time.geekbang.org/column/article/", "")
var json = { "id": id, "include_neighbors": true, "is_freelyread": true }
$.ajax({
url: "https://time.geekbang.org/serv/v1/article",
data: JSON.stringify(json),
type: "POST",
dataType: "json",
contentType: "application/json",
success: function (data) {
console.log(data);
var context = data.data.article_content;
var title = data.data.article_title;
const link = document.createElement('a');
var textBlob = new Blob([context], { type: 'text/plain' });
link.setAttribute('href', URL.createObjectURL(textBlob));
link.setAttribute('download', title + ".html");
link.click();
}
});
}
})();
|
以上内容直接贴到新脚本即可使用
全自动
既然一次抓取成功了，那能不能全自动呢？
当然可以了。还记得返回中的right的内容吗？这是下一节的ID和标题。所以我们只需要在文档保存后，拿到这个ID，然后跳转到下一节即可。
在下载完成的地方增加以下代码
1
2
3
4
5
| if (data.data.neighbors.right.id) {
var nextId = data.data.neighbors.right.id;
window.location.href = "https://time.geekbang.org/column/article/" + nextId;
}
|
然后再增加一个执行的代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
| setInterval(function () { btn.click(); }, 10000);
```
为什么10秒呢，因为请求过于频繁会强制退出登录。所以控制一下速度。
# 完整脚本
```json
// ==UserScript==
// @name copy to markdown
// @namespace http://tampermonkey.net/
// @version 0.1
// @match https://time.geekbang.org/column/article/*
// @description try to take over the world!
// @author You
// @require https://unpkg.com/turndown/dist/turndown.js
// @require https://cdn.bootcss.com/jquery/1.12.4/jquery.min.js
// @grant none
// ==/UserScript==
(function () {
'use strict';
let btn = document.createElement("button");
btn.innerHTML = "下载";//innerText也可以,区别是innerText不会解析html
btn.style = "position: fixed;z-index: 999; left: 90%; top: 20px;";
btn.onclick = function () {
//code
saveContext()
}
document.body.append(btn);
setInterval(function () { btn.click(); }, 10000);
function saveContext() {
var url = window.location.href
var id = url.replace("https://time.geekbang.org/column/article/", "")
var json = { "id": id, "include_neighbors": true, "is_freelyread": true }
$.ajax({
url: "https://time.geekbang.org/serv/v1/article",
data: JSON.stringify(json),
type: "POST",
dataType: "json",
contentType: "application/json",
success: function (data) {
console.log(data);
var context = data.data.article_content;
var title = data.data.article_title;
const link = document.createElement('a');
var textBlob = new Blob([context], { type: 'text/plain' });
link.setAttribute('href', URL.createObjectURL(textBlob));
link.setAttribute('download', title + ".html");
link.click();
if (data.data.neighbors.right.id) {
var nextId = data.data.neighbors.right.id;
window.location.href = "https://time.geekbang.org/column/article/" + nextId;
}
}
});
}
})();
|
转换成markdown
没有在脚本中保存为markdown，因为需要处理图片之类的信息。决定事后用Java代码处理。
设想处理流程如下：
- 解析Html讲图片从网络地址，换成本地地址
- 转换成Markdown
调研
java中的html解析，直接用Jsoup
markdown转换使用CopyDown
这两个包的Maven坐标：
1
2
3
4
5
6
7
8
9
10
| <dependency>
<groupId>io.github.furstenheim</groupId>
<artifactId>copy_down</artifactId>
<version>1.0</version>
</dependency>
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.13.1</version>
</dependency>
|
开始编写
文件的读取及写入
主要是提供一个文件的读取和写入方法
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
|
public static String getFileString(File file) {
try {
if (file.exists() && file.isFile()) {
List<String> lines = Files.readAllLines(Paths.get(file.toURI()), StandardCharsets.UTF_8);
StringBuilder sb = new StringBuilder();
for (String line : lines) {
sb.append(line).append("\n");
}
return sb.toString();
} else {
return "未找到文件";
}
} catch (Exception e) {
logger.error("getFileString error!", e);
return "读取出现异常";
}
}
public static void saveToFile(File file, String context) {
try {
FileOutputStream fileOutputStream = null;
if (!file.exists()) {
file.createNewFile();
}
fileOutputStream = new FileOutputStream(file);
fileOutputStream.write(context.getBytes(StandardCharsets.UTF_8));
fileOutputStream.flush();
fileOutputStream.close();
} catch (Exception e) {
e.printStackTrace();
}
}
|
保存图片文件
1
2
3
4
5
6
7
8
9
| private static String downFile(File assetsDir, String remoteUrl) {
try {
String uuid = UUID.randomUUID().toString().replace("-", "")+".jpg";
runtime.exec("curl -o " + uuid + " \"" + remoteUrl + "\"", null, assetsDir);
return uuid;
} catch (IOException e) {
throw new RuntimeException(e);
}
}
|
此处极为省事，直接执行curl保存到目录中
markdown转换代码
1
2
3
4
5
6
7
8
9
10
|
public static String htmlTansToMarkdown(String htmlStr) {
OptionsBuilder optionsBuilder = OptionsBuilder.anOptions();
Options options = optionsBuilder.withBr("-").withCodeBlockStyle(CodeBlockStyle.FENCED)
.build();
CopyDown converter = new CopyDown(options);
return converter.convert(htmlStr);
}
|
可以参见官方文档：copy-down
解析并替换图片地址
传入保存的文件夹，原始的HTML文件
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
public static void convert(String dir, File file) {
File assetsDir = new File(dir + "/assets");
assetsDir.mkdirs();
String html = FileUtils.getFileString(file);
Document doc = Jsoup.parse(html);
Elements imageList = doc.getElementsByTag("img");
Elements h1List = doc.getElementsByTag("title");
for (Element element : imageList) {
String url = element.attributes().get("src");
String uuid = downFile(assetsDir, url);
element.attributes().remove("src");
element.attributes().add("src", "assets/" + uuid);
element.attributes().remove("title");
}
String markdown = htmlTansToMarkdown(doc.outerHtml());
FileUtils.saveToFile(new File(dir + "/" + file.getName().replace(".html", ".md")), markdown);
}
|
至此文件已经生成了。但是我们有一个目录的文件需要执行啊，所以在main方法遍历文件夹
遍历文件夹
1
2
3
4
5
6
7
8
9
10
| public static void main(String[] args) {
File file = new File("HTML路径");
String dir = "markdown保存目录";
if (file.isDirectory()) {{
for (File listFile : file.listFiles()) {
convert(dir, listFile);
}
}
}
|
查看执行效果：
目录：
图片：
