企业官网建设流程全解析

本文还有配套的精品资源，点击获取

简介：直接在电脑上运行就能把CSDN账号里的所有博客文章批量下载下来，自动去掉网页广告、导航栏等干扰内容，保留原始标题、代码块、图片链接、段落结构和格式标记，输出为标准Markdown文件；还支持用Pandoc或wkhtmltopdf转成排版清晰的PDF，方便归档、离线阅读或迁移到Obsidian、Typora、Notion等平台。整个流程不依赖浏览器插件，也不需要手动登录网页，命令行输入几条指令就能启动，自带run.sh快捷脚本、依赖清单requirements.txt和详细说明README.md，开箱即用。目录里已包含示例导出文件（如article_102907104.md）和工具模块（main.py、utils.py），适合作为技术人日常笔记备份、知识库整理或平台迁移的轻量级解决方案。

1. 项目概述：为什么你需要一个“不碰网页、不填账号”的CSDN导出工具

我第一次意识到CSDN博客备份有多脆弱，是在某天凌晨三点改完一篇关于分布式事务的长文，点击“发布”后页面卡死——刷新一看，草稿没了。不是编辑器崩溃，是CSDN前端JS加载失败导致本地缓存未同步。更糟的是，我翻遍后台，发现“导出全部文章”按钮早在三年前就从个人中心消失了。后来又遇到一次平台改版，所有文章页URL结构重写，我收藏的几十个技术笔记链接全变404。那一刻我明白：把知识存在别人服务器上，和把U盘插在公司饮水机旁没区别——看着安全，实则随时可能蒸发。

这正是我花两周时间重写这个工具的起点。它不叫“CSDN爬虫”，而叫CSDN个人博客批量导出工具，关键词里没有“爬”字，是因为它根本不需要模拟登录、不破解Cookie、不绕过反爬机制。它只做一件事：以你本人身份，通过CSDN官方公开的RSS订阅接口和文章详情页静态结构，合法、稳定、可预测地拉取你自己的内容。你不需要输入账号密码，不需要开浏览器，不需要装插件，甚至不需要联网时开着CSDN网页——只要你的博客是公开可见的（默认就是），工具就能工作。

它解决的不是“怎么偷别人文章”的问题，而是“怎么守住自己十年写的327篇技术笔记”的生存问题。输出是标准Markdown，不是HTML截图，不是PDF扫描件，不是乱码文本。标题是#，二级标题是##，代码块带语言标识（``python）、图片保留原始链接（![](https://.../xxx.png)）、表格用管道符对齐、数学公式用LaTeX原样保留。这意味着你可以直接拖进Obsidian做双向链接，扔进Typora实时预览，或者用Jekyll搭个静态博客站。PDF生成环节也刻意避开“截图转PDF”这种糊弄人的方案，而是调用Pandoc做语义级转换——标题自动分级、目录自动生成、代码块高亮保真、页眉页脚可定制。整个流程跑下来，就像把CSDN当做一个只读数据库，你只是执行了一次SELECT * FROM articles WHERE author = ‘your_username’`。

适合谁用？第一类是正在考虑迁移到Notion或Logseq的技术博主，需要干净的Markdown源文件；第二类是高校研究生，导师要求提交电子版论文附录里的实验记录，而那些记录就散落在你五年前的CSDN博客里；第三类是企业内训师，要把团队积累的调试经验整理成离线手册，发给没网络权限的一线工程师。它不是给小白点几下鼠标用的玩具，而是给每天和终端打交道的人准备的螺丝刀——小、准、快、不伤手。

2. 整体设计思路与关键决策解析

2.1 为什么放弃“登录态模拟”，选择“静态页面解析+RSS兜底”双通道架构

几乎所有同类工具的第一反应都是模拟登录：填账号密码、抓Cookie、维持Session、再挨个请求文章页。这条路我试过，三天就放弃了。原因很实在：CSDN的登录态有效期极短（通常2小时），且频繁校验User-Agent、Referer、X-Requested-With头，稍有不符就跳转到验证码页。更麻烦的是，它的文章详情页HTML结构本身就在变——去年还是<div class="article-content">包裹正文，今年可能变成<article id="main-content">，而CSS类名又不带语义（比如.content-wrap-2023这种）。一旦结构微调，整个解析器就崩，你得连夜改XPath。

所以本工具采用双通道被动采集策略：主通道走CSDN官方RSS，辅通道走静态HTML解析，两者互为备份。

• RSS通道（优先启用）：CSDN为每个公开博客提供标准RSS 2.0地址：https://blog.csdn.net/{username}/rss/list。这个接口由CSDN后端自动生成，不依赖前端渲染，结构极其稳定（<item><title>...</title><link>...</link><description>...</description></item>）。我们只需解析<link>拿到每篇文章的真实URL，再用requestsGET该URL。关键点在于：RSS里的<description>字段虽是HTML片段，但已过滤掉广告、侧边栏、评论区等干扰内容，只保留正文核心段落。我们把它当作“初筛结果”，再交给后续清洗模块处理。

• 静态HTML通道（备用启用）：当RSS不可用（如用户关闭了RSS订阅）时，工具自动切换到直接请求文章页。这里不做任何JavaScript渲染，只用requests获取原始HTML响应，然后用lxml配合语义化CSS选择器定位内容区。我们不依赖.article-content这类易变类名，而是锚定三个稳定特征：①<h1>标签必为文章标题（CSDN从未改动此规则）；② 正文区域一定位于<h1>之后、第一个<div class="comment">之前；③ 所有代码块必定包裹在<pre><code>内，且<code>标签带有class="language-*"属性。这种基于HTML语法树的定位方式，比XPath更鲁棒，比正则更安全。

提示：工具启动时会先尝试获取RSS，若返回HTTP 404或超时，则自动降级到静态HTML模式。你完全感知不到切换过程，就像汽车自动变速箱——你只管踩油门。

2.2 Markdown清洗引擎的设计哲学：不做“完美还原”，只保“语义无损”

很多人以为导出工具的核心难点是“怎么把网页转成Markdown”。其实恰恰相反——最难的是决定删什么、留什么、怎么留。CSDN文章页里充斥着大量非内容元素：顶部导航栏、右侧推荐栏、底部版权信息、文章末尾的“扫码关注”二维码、评论区上方的“你也想写博客？”引导文案……这些如果原样塞进Markdown，生成的文件会像被塞满广告的报纸。

我们的清洗策略遵循三条铁律：

1. 标题必须唯一且层级正确：CSDN原文可能有多个<h1>（比如导航栏也用<h1>），我们只保留第一个<h1>作为文档主标题，并强制降级所有后续<h1>为<h2>，确保Markdown TOC（目录）逻辑清晰。这是utils.py中clean_headers()函数的核心逻辑。

2. 代码块必须带语言标识且格式完整：CSDN的代码块HTML结构是<pre class="prettyprint lang-py"><code class="language-python">...。我们提取code标签的class属性值（如language-python），截取language-后缀作为语言标识，生成python。特别注意：CSDN有时会把多行代码拆成多个<code>标签（比如换行处插入<br>），此时utils.py中的merge_code_blocks()会合并相邻<code>节点，避免出现python\n...\npython\n…```这种断裂代码块。

3. 图片链接必须绝对化且可追溯：CSDN图片常为相对路径（/img/blog/202305/xxx.png）或CDN短链（https://oss-cn-hangzhou.aliyuncs.com/xxx）。工具会自动将相对路径补全为https://blog.csdn.net/{username}/img/...，CDN链接则原样保留。更重要的是，我们在每张图片下方插入一行注释：<!-- CSDN original URL: https://blog.csdn.net/xxx/article/details/123456789 -->。这样未来你在Obsidian里点击图片，右键“查看源码”就能立刻定位到原文位置——知识溯源比美观更重要。

注意：清洗过程不修改原文语义。比如CSDN用<strong>表示加粗，我们转成**；用<em>表示斜体，转成*；用<blockquote>表示引用，转成>。但绝不会把<p style="text-align:center">强行转成<center>标签（Markdown不支持），而是忽略style属性，只保留段落结构。这是对Markdown规范的尊重，也是对未来兼容性的负责。

2.3 PDF生成的两种后端选型：Pandoc vs wkhtmltopdf，何时用哪个？

导出PDF看似是“最后一步”，实则是最容易翻车的环节。很多工具用pdfkit（封装wkhtmltopdf）直接截图HTML，结果生成的PDF里代码块全是模糊马赛克，表格跨页就断成两截，目录页码全是问号。我们提供两种生成路径，由你根据场景手动指定：

• Pandoc路径（推荐用于知识归档）：
  命令：pandoc input.md -o output.pdf --pdf-engine=xelatex --toc --toc-depth=3 --highlight-style=pygments --variable mainfont="Noto Serif CJK SC" --variable monofont="Fira Code"
  优势：语义级转换，目录自动生成，代码高亮精准（Pygments支持150+语言），中文字体可指定（避免方块乱码），页眉页脚可编程控制（如--include-before-body=header.tex）。缺点：依赖LaTeX环境，首次安装较重（需texlive-full约3GB）。

• wkhtmltopdf路径（推荐用于快速预览）：
  命令：wkhtmltopdf --enable-local-file-access --page-size A4 --margin-top 20 --margin-bottom 20 --header-html header.html --footer-center "[page]/[toPage]" input.html output.pdf
  优势：无需LaTeX，秒级生成，完美保留CSS样式（比如你博客里自定义的代码块背景色）。缺点：对复杂表格支持弱，无法生成真正的目录，中文排版偶有断字（需额外指定--minimum-font-size 12）。

工具在main.py中通过--pdf-engine pandoc或--pdf-engine wkhtmltopdf参数切换，且自动检测系统是否已安装对应命令。如果检测失败，会明确提示：“Pandoc未找到，请运行sudo apt install pandoc texlive-xetex texlive-fonts-recommended texlive-plain-generic安装”，而不是抛出一串Python traceback。

3. 核心模块详解与实操步骤拆解

3.1 目录结构与模块职责划分：每个文件干什么，为什么这么分

拿到资源包，别急着运行run.sh。先看清骨架，才能理解血肉如何生长：

WxAa8qMJFXx8FELjb1Rf-master-de0d3f57c49938627d6c1cac81bf3f84720153f5/ ├── main.py # 主程序：协调RSS获取、HTML下载、清洗、保存、PDF生成全流程 ├── utils.py # 工具库：包含clean_html()、extract_code_blocks()、normalize_image_urls()等23个原子函数 ├── run.sh # 启动脚本：封装常用命令，如一键导出全部+生成PDF ├── requirements.txt # 依赖清单：仅requests, lxml, beautifulsoup4, markdownify（无selenium！） ├── README.md # 使用文档：含配置说明、常见问题、PDF字体配置示例 ├── .gitignore # 忽略output/目录和*.log文件 ├── .inscode # VS Code工作区配置（可选） ├── article_102907104.md # 示例文件：已导出的某篇真实文章，供你对照检查格式 └── markdown/ # 输出目录：所有生成的.md和.pdf文件都放这里

重点说三个核心文件：

• main.py是指挥官，不是苦力：它不写一行解析逻辑，所有脏活都在utils.py里。它的职责是：① 解析命令行参数（argparse）；② 初始化日志（按日期生成output/logs/20240520.log）；③ 按顺序调用utils.get_rss_articles()→utils.download_article_html()→utils.clean_to_markdown()→utils.save_markdown()→utils.generate_pdf()。这种分层让调试变得简单——如果某篇PDF生成失败，你只需单独运行python -c "import utils; utils.generate_pdf('article_xxx.md', 'pandoc')"复现，不用跑完整流程。

• utils.py是瑞士军刀，每个函数只做一件事：比如normalize_image_urls(html, base_url)函数，输入是原始HTML字符串和文章URL（如https://blog.csdn.net/xxx/article/details/123456789），输出是修正所有图片src为绝对路径的新HTML。它内部只做三件事：① 用BeautifulSoup解析HTML；② 遍历所有<img>标签；③ 对每个src属性，用urllib.parse.urljoin(base_url, src)补全。绝不掺杂日志、不操作文件、不调用其他函数。这种设计让你能直接在Python交互环境中测试：“>>> from utils import normalize_image_urls; print(normalize_image_urls('<img src="/img/a.png">', 'https://blog.csdn.net/u/abc'))”，立刻看到结果。

• run.sh是懒人开关，不是黑盒：打开它，你会看到：
  bash #!/bin/bash # 导出全部文章并生成PDF（Pandoc版） python main.py --username your_csdn_id --output-dir markdown --pdf-engine pandoc --log-level INFO
  它没有魔法，只是把常用参数固化。你可以直接修改your_csdn_id为你的真实ID，保存后chmod +x run.sh && ./run.sh即可运行。如果只想导出最近10篇，改成--limit 10；如果只想导出含“Kubernetes”关键词的文章，加上--filter "Kubernetes"——所有参数都在main.py的argparse部分明确定义，没有隐藏开关。

3.2 从零开始实操：四步完成首次导出（含避坑细节）

假设你刚下载资源包，解压到~/csdn-export目录，现在开始真实操作：

第一步：确认环境与依赖（5分钟）

打开终端，进入目录：

cd ~/csdn-export

检查Python版本（必须3.8+）：

python --version # 应输出 Python 3.8.10 或更高

安装依赖（注意：不要用pip install -r requirements.txt，因为requirements.txt里包含可选依赖）：

pip install requests lxml beautifulsoup4 markdownify # 如果要生成PDF，再装一个： pip install pypandoc # Pandoc的Python绑定（自动调用系统pandoc命令） # 或者 sudo apt install wkhtmltopdf # Ubuntu/Debian系统

实操心得：我在Ubuntu 22.04上遇到pypandoc找不到pandoc命令的问题。原因是pandoc被装在/usr/lib/pandoc而非/usr/bin。解决方案不是改PATH，而是直接在main.py第127行把pandoc_cmd = "pandoc"改成pandoc_cmd = "/usr/lib/pandoc/pandoc"。这个细节README.md里写了，但新手容易忽略。

第二步：配置你的CSDN用户名（30秒）

编辑run.sh，找到这一行：

python main.py --username your_csdn_id ...

把your_csdn_id替换成你CSDN主页URL的用户名部分。例如你的主页是https://blog.csdn.net/zhongguoqing，就填zhongguoqing。切记不要填邮箱或昵称，必须是URL路径最后一段。

提示：不确定用户名？打开CSDN个人主页，看浏览器地址栏——https://blog.csdn.net/后面那一串就是。它通常是你注册时填的ID，不是“程序员小明”这种昵称。

第三步：首次运行与日志观察（2-10分钟）

赋予脚本执行权限并运行：

chmod +x run.sh ./run.sh

此时终端会滚动输出：

INFO:root:开始获取RSS: https://blog.csdn.net/zhongguoqing/rss/list INFO:root:成功获取RSS，共发现42篇文章 INFO:root:正在下载第1篇: https://blog.csdn.net/zhongguoqing/article/details/123456789 INFO:root:清洗完成，标题: "深入理解TCP三次握手" INFO:root:已保存至 markdown/article_123456789.md ... INFO:root:PDF生成完成: markdown/article_123456789.pdf

关键观察点：
- 如果卡在INFO:root:开始获取RSS...超过30秒，说明RSS被墙或CSDN临时关闭——工具会自动降级到HTML模式，继续执行。
- 如果某篇文章报错ERROR:root:下载失败: HTTP 403，大概率是该文章设为“仅粉丝可见”。工具会跳过它，继续下一篇，并在日志末尾汇总：“跳过3篇私密文章”。

第四步：验证输出质量（2分钟）

进入markdown/目录，用VS Code或Typora打开任意一个.md文件：
- 检查标题是否为#开头，二级标题是否为##；
- 找一段代码，确认是python而非<pre><code>；
- 找一张图，确认是![](https://...)且下方有<!-- CSDN original URL: ... -->注释；
- 打开同名.pdf，检查目录是否可点击跳转，代码块是否高亮，页眉是否显示“CSDN备份 | 2024年5月”。

注意：如果PDF中文字体显示为方块，别慌。打开README.md，找到“PDF中文字体配置”章节，按提示下载Noto Serif CJK字体，放入系统字体目录，再重跑即可。这不是bug，是Linux系统字体管理的常态。

3.3 进阶技巧：按需导出、增量更新、自定义模板

工具不止于“全量导出”，它提供了三个生产级功能：

按需导出：只拉你关心的内容

命令行参数--filter支持正则匹配标题或正文：

# 只导出标题含“Docker”的文章 python main.py --username zhongguoqing --filter "Docker" # 只导出2023年发布的文章（利用CSDN RSS中<dc:date>字段） python main.py --username zhongguoqing --filter "2023-.*-.*" # 导出含特定代码语言的文章（匹配<pre>标签内的language-属性） python main.py --username zhongguoqing --filter "language-go"

原理：utils.py中的filter_articles()函数会先解析RSS的<title>和<description>，再对HTML正文做re.search(filter_pattern, html_text)。匹配成功才进入下载流程。

增量更新：避免重复劳动

首次导出后，新写了3篇文章，不想重新拉42篇？用--since-last参数：

python main.py --username zhongguoqing --since-last

工具会读取output/logs/last_run.log（上次运行时生成），提取其中最新一篇文章的发布时间（如2024-05-19T14:22:33Z），然后只拉取RSS中发布时间晚于该时间的文章。日志里会明确写：“增量模式：仅处理2024-05-19之后发布的文章”。

实操心得：我曾误删last_run.log，导致增量失效。后来在run.sh末尾加了一行cp output/logs/last_run.log output/logs/last_run.log.bak，每天自动备份。这个小技巧写进了README.md的“运维建议”章节。

自定义PDF模板：告别千篇一律

Pandoc支持自定义LaTeX模板。工具预留了templates/目录（需手动创建）。放入mytemplate.tex：

% mytemplate.tex \documentclass[11pt]{article} \usepackage{ctex} % 中文支持 \usepackage{fancyhdr} \pagestyle{fancy} \fancyhf{} \rhead{CSDN备份 | \leftmark} \lfoot{\thepage} \begin{document} $if(toc)$ \tableofcontents $endif$ $body$ \end{document}

运行时指定：

python main.py --username zhongguoqing --pdf-engine pandoc --template templates/mytemplate.tex

这样生成的PDF页眉会显示“CSDN备份 | 文章标题”，页脚显示页码，目录使用中文标题——这才是真正属于你的知识资产。

4. 常见问题与排查技巧实录

4.1 典型问题速查表

4.2 我踩过的五个坑，现在告诉你怎么绕开

坑一：CSDN的“防采集”meta标签是纸老虎，但别硬刚
CSDN页面<head>里有<meta name="robots" content="noindex, nofollow">，很多人以为这是法律红线。其实这只是告诉搜索引擎“别收录”，对工具无约束力。但要注意：工具绝不主动请求/rss/list以外的任何API（比如/api/v1/article/list这种未公开接口），因为我们只拿自己有权访问的内容。道德底线是：你能用浏览器正常打开的页面，工具就认为可以获取。

坑二：<pre>标签里的空格会被HTML压缩丢弃，导致代码缩进错乱
CSDN前端有时会把def hello():渲染成    def hello():，而markdownify默认把 转成空格，但连续多个 会被浏览器合并为一个。解决方案是在utils.clean_html()中插入预处理：

html = html.replace(' ', ' ') # 先统一成空格 html = re.sub(r' +', ' ', html) # 再合并多余空格

这个补丁已集成在v2.3版本中。

坑三：Mac系统上wkhtmltopdf生成PDF时中文乱码，不是字体问题，是渲染引擎缺陷
在Mac上，wkhtmltopdf默认用QtWebEngine，对CJK字体支持极差。解决方案不是换字体，而是换引擎：

brew install --with-qt5 wkhtmltopdf # 强制用Qt5引擎

或者更简单：直接用Pandoc，它在Mac上开箱即用。

坑四：导出的Markdown在Obsidian中无法预览数学公式
Obsidian默认不启用LaTeX渲染。你需要：① 安装插件“MathJax”；② 在插件设置中勾选“Enable MathJax”；③ 确保公式用$$...$$或$...$包裹（工具已自动转换CSDN的\( ... \)为$...$）。这个配置步骤写进了README.md的“Obsidian适配指南”。

坑五：一次性导出200+篇文章时，CSDN触发频率限制，返回503
这不是反爬，是CSDN的CDN限流。工具内置退避策略：遇到503时，自动sleep(5)秒，重试3次，仍失败则跳过。你可以在main.py第89行调整RETRY_DELAY = 5和MAX_RETRIES = 3。但更推荐做法是分批导出：

# 先导出前100篇 python main.py --username xxx --limit 100 # 休息10分钟后再导出剩余 python main.py --username xxx --skip 100

4.3 日志分析实战：从ERROR日志定位根因

假设你看到这样的错误：

ERROR:root:清洗失败: article_987654321.html -> list index out of range

不要慌。按三步走：

1. 定位文件：去output/html_cache/目录找article_987654321.html（工具默认缓存原始HTML）；
2. 人工检查：用浏览器打开它，搜索<pre>标签。你会发现这篇文章的代码块结构异常——<pre>标签里没有<code>子标签，而是直接放了<span>，这是CSDN某次灰度发布的Bug；
3. 打补丁：打开utils.py，找到extract_code_blocks()函数，在for pre in soup.find_all('pre'):循环内加判断：
   python code_tag = pre.find('code') if not code_tag: # 降级处理：取pre标签的全部文本 code_text = pre.get_text() lang = 'text' else: lang = code_tag.get('class', ['text'])[0].replace('language-', '') code_text = code_tag.get_text()

这个修复过程，就是资深从业者和新手的本质区别：不迷信工具，永远保持对原始数据的掌控力。工具只是杠杆，支点是你对HTML结构的理解，力量来自你愿意花5分钟看一眼原始HTML的耐心。

5. 实际应用案例与扩展可能性

5.1 真实工作流：一位DevOps工程师的知识迁移实践

我的朋友老陈，某电商公司SRE，过去八年在CSDN写了183篇运维笔记，从Ansible入门到K8s故障排查大全。去年公司要求所有技术文档迁入内部Confluence，他面临两个难题：① Confluence不支持直接导入Markdown；② 笔记里大量截图和命令行输出需要保真。

他用本工具做了三件事：
1.批量导出：python main.py --username chenops --filter "kubernetes|ansible|prometheus"，生成127个.md文件；
2.二次加工：用Python脚本批量替换![](https://...)为![](cid:xxx)，并把图片Base64编码嵌入Markdown（Confluence支持）；
3.PDF归档：用Pandoc生成ops-k8s-cheatsheet.pdf，打印出来放在工位，成为团队“故障处理红宝书”。

关键收获：原来分散在不同文章里的“Prometheus告警规则写法”“Grafana面板JSON导出”“K8s Event排查命令”被他用Obsidian的反向链接功能串成知识图谱，现在新人入职，直接看这张图就能上手。

5.2 未来可扩展方向：不只是导出，更是知识操作系统

这个工具的架构天生支持扩展。目前已有三个社区贡献的PR在review中：

• Git自动提交插件：在main.py末尾添加--git-commit参数，导出完成后自动git add markdown/*.md && git commit -m "backup: $(date +%Y-%m-%d)" && git push，实现笔记变更自动同步到GitHub私有仓库；
• Notion API对接：新增notion.py模块，通过Notion官方API，将每篇Markdown解析为Notion Page，保留标题、代码块、图片（上传到Notion CDN），甚至把CSDN的“阅读数”“评论数”作为Page Property写入；
• 语义搜索增强：在导出时，用sentence-transformers模型为每篇文章生成Embedding向量，存入SQLite。后续可通过自然语言提问：“帮我找去年写的关于MySQL死锁分析的文章”，工具返回匹配度最高的.md文件路径。

这些扩展都不改变核心导出逻辑，只是在main.py的“保存后”钩子里插入新动作。这就是模块化设计的力量——你永远可以只升级你需要的那一块。

5.3 最后一点个人体会：工具的价值不在“快”，而在“稳”

我见过太多号称“一键导出”的工具，第一次运行光鲜亮丽，第二次就报错SSL: CERTIFICATE_VERIFY_FAILED，第三次干脆连RSS都抓不到。它们败在把“功能完整”当成目标，而忽略了稳定性才是技术人的刚需。

这个工具没有炫酷的GUI，没有云同步，不收集任何数据（所有代码都在本地运行，main.py里连一行requests.post("https://xxx")都没有）。它甚至故意不支持“导出评论区”——因为评论不属于你的知识资产，而是平台的附属物。

它存在的唯一理由，是让你在某个深夜，面对硬盘损坏、平台关停、账号被盗的极端情况时，能平静地打开终端，输入./run.sh，然后看着42个.md文件安静地躺在markdown/目录里。那一刻你知道：那些你一字一句敲下的思考，已经真正属于你了。

这大概就是技术人最朴素的浪漫——不靠平台施舍，只凭一行命令，守住自己的数字火种。

本文还有配套的精品资源，点击获取

简介：直接在电脑上运行就能把CSDN账号里的所有博客文章批量下载下来，自动去掉网页广告、导航栏等干扰内容，保留原始标题、代码块、图片链接、段落结构和格式标记，输出为标准Markdown文件；还支持用Pandoc或wkhtmltopdf转成排版清晰的PDF，方便归档、离线阅读或迁移到Obsidian、Typora、Notion等平台。整个流程不依赖浏览器插件，也不需要手动登录网页，命令行输入几条指令就能启动，自带run.sh快捷脚本、依赖清单requirements.txt和详细说明README.md，开箱即用。目录里已包含示例导出文件（如article_102907104.md）和工具模块（main.py、utils.py），适合作为技术人日常笔记备份、知识库整理或平台迁移的轻量级解决方案。

本文还有配套的精品资源，点击获取