幕布导出的html转md

想把幕布的笔记转移、备份，但被导出恶心坏了

尝试了一堆办法，遂决定自己写一个小工具

有参考这个 github，但进行了一些适用于自己笔记的改动

使用方式

• 提前设置好笔记的一级和二级标题后导出为html
• 调用代码 python mubu_converter.py XXX.html aim.md生成aim.md

from bs4 import BeautifulSoup, Tag
from markdownify import MarkdownConverter
import sys


class MubuConverter:
    def __init__(self, html_file: str):
        self.html_file = html_file

    def convert(self) -> str:
        # 读取 HTML 文件内容
        with open(self.html_file, 'r', encoding='utf-8') as file:
            html = file.read()

        # 解析 HTML
        soup = BeautifulSoup(html, 'html.parser')
        return self.convert_soup(soup)

    def convert_soup(self, soup: BeautifulSoup) -> str:
        # 转换 LaTeX 块
        for latex_tag in soup.find_all("span", attrs={"class": "formula", "data-raw": True}):
            annotation_tag = latex_tag.find("annotation")
            if annotation_tag and annotation_tag.string:
                latex_content = annotation_tag.string.strip()
                latex_tag.string = f'${latex_content}$'  # 添加美元符号用于 LaTeX 表达式
            else:
                latex_tag.string = ''  # 处理无效的 LaTeX 块
        
        # 处理粗体、下划线和高亮样式
        for bold_tag in soup.find_all(class_='bold'):
            bold_tag.insert_before("**")  # 插入开始的 Markdown 粗体符号
            bold_tag.insert_after("**")   # 插入结束的 Markdown 粗体符号

        for highlight_tag in soup.find_all(class_='highlight-yellow'):
            highlight_tag.insert_before("==")  # 插入高亮的 Markdown 符号
            highlight_tag.insert_after("==")    # 插入高亮的 Markdown 符号
        for underline_tag in soup.find_all(class_='underline'):
            underline_tag.insert_before("++")  # 插入下划线的 Markdown 符号
            underline_tag.insert_after("++")     # 插入下划线的 Markdown 符号

        # 整理图片标签
        for img_tag in soup.find_all("img"):
            img_src = img_tag.get('src')
            # 变成 Markdown 的图片标签
            new_tag = soup.new_tag('img', src=img_src)
            img_tag.replace_with(new_tag)


        # 处理 h1 标题
        for heading1_tag in soup.find_all("li", class_="node heading1"):
            content_tag = heading1_tag.find("div", class_="content")
            if content_tag:
                heading_text = content_tag.get_text(strip=True)
                print(f"处理 H1 标题: {heading_text}")

            # 将该标签变为 H1 标签，添加前缀 #
            heading1_tag.name = "h1"
            heading1_tag.insert_before(f"# {heading_text}")
            content_tag.clear()
        
        # 处理 h2 标题
        for heading1_tag in soup.find_all("li", class_="node heading2"):
            content_tag = heading1_tag.find("div", class_="content")
            if content_tag:
                heading_text = content_tag.get_text(strip=True)
                print(f"处理 H2 标题: {heading_text}")

            # 将该标签变为 H1 标签，添加前缀 #
            heading1_tag.name = "h1"
            heading1_tag.insert_before(f"## {heading_text}")
            content_tag.clear()

        # 处理class为codespan的标签，使其变为代码块
        for code_tag in soup.find_all("span", class_="codespan"):
            code_tag.insert_before("`")  # 插入开始的代码块符号
            code_tag.insert_after("`")   # 插入结束的代码块符号

        # 移除不必要的标签
        head_tag = soup.find("head")
        if type(head_tag) is Tag:
            head_tag.clear()

        # 移除class="tag"的文本的#号
        for tag_tag in soup.find_all("span", class_="tag"):
            tag_tag.string = tag_tag.string.replace("#", "", 1)


        # 删除 "以上内容整理于 幕布文档"
        publish_tag = soup.find("div", attrs={"class": "publish"})
        if type(publish_tag) is Tag:
            publish_tag.clear()

        # 使用 markdownify 转换解析后的内容到 Markdown
        md_content = MarkdownConverter(
            escape_underscores=False, escape_asterisks=False, bullets='-',).convert_soup(soup)

        # 清除多余的换行符
        md_content = md_content.lstrip()


        return md_content


if __name__ == "__main__":
    # 调用方式：
    # python mubu_converter.py <html_file_path> <output_file_path>
    if len(sys.argv) != 3:
        print("请提供 HTML 文件的路径和输出 Markdown 文件的路径。")
        sys.exit(1)

    html_file_path = sys.argv[1]
    output_file_path = sys.argv[2]

    mubu_to_md = MubuConverter(html_file_path)
    md_content = mubu_to_md.convert()

    # 将转换后的内容写入指定的 Markdown 文件
    with open(output_file_path, 'w', encoding='utf-8') as output_file:
        output_file.write(md_content)

    print(f"转换完成，输出文件: {output_file_path}")