搬迁
在 yihui 的煽风点火下，俺马不停蹄地搬起了公众号。我的大学时光还剩一个月结束，也正是梳理四年生活的时候，读书笔记自然是不可或缺的环节，好事趁东风。
搬家记录
library(tidyverse)
library(rvest) # 识别合集
library(httr2) # 请求正文
需要搬迁的内容
之前写公众号的时候，把所有书摘都放在了「臭臭札记」合集下，要搬迁的也正是这个合集下的文章。首先获取该标签页面下的所有文章标题、日期和链接地址，可以借用之前搬标题写过的代码。
# 读取公众号「臭臭札记」标签页面
data <- read_html("../2022-10-11-banqian/#臭臭札记.html")
# 提取标题
titles <- data %>%
html_nodes(".album__item-title-wrp") %>%
html_text() %>%
as_tibble() %>%
distinct(value)
# 提取日期
dates <- data %>%
html_nodes(".album__item-info-item") %>%
html_text() %>%
as_tibble()
# 提取链接
urls <- data %>%
html_nodes("li") %>%
html_attr("data-link") %>%
as_tibble() %>%
drop_na()
# 合并、清洗
books_df <- tibble(title = titles$value,
date = dates$value,
url = urls$value) %>%
mutate(date = if_else(
str_count(date) < 10,
str_c("2022/", date),
date
) %>% as_date()) %>%
arrange(desc(date))
books_df
## # A tibble: 83 × 3
## title date url
## <chr> <date> <chr>
## 1 《北野武的小酒馆》——北野武 2022-05-29 http://mp.weixin.qq.co…
## 2 Grokking Algorithms 2022-05-28 http://mp.weixin.qq.co…
## 3 《塔木德》 2022-04-08 http://mp.weixin.qq.co…
## 4 《遥远的救世主》——豆豆 2022-03-31 http://mp.weixin.qq.co…
## 5 《教授为什么没告诉我》——毕恒达 2022-03-15 http://mp.weixin.qq.co…
## 6 《在峡江的转弯处》——陈行甲 2022-03-14 http://mp.weixin.qq.co…
## 7 《西方现代思想讲义》——刘擎 2022-03-06 http://mp.weixin.qq.co…
## 8 《弗兰克尔自传：活出生命的意义》——弗兰克尔 2022-02-26 http://mp.weixin.qq.co…
## 9 《八次危机》——温铁军 2022-02-17 http://mp.weixin.qq.co…
## 10 《反脆弱》——塔勒布 2022-02-12 http://mp.weixin.qq.co…
## # ℹ 73 more rows
从大一到大三，看完八十多本书，有点小开心。
将原有的笔记转为 Markdown
文件名和路径
原先计划从公众号获取正文，遇到了挺多问题，遂放弃。
考虑到公众号发布的内容本地都有留存，所以尝试将本地文件用 Pandoc 转为博客支持的 Markdown。此前给自己的所有读书笔记画词云图时梳理过读书笔记的文件，主要有 .html、.docx 和 .md 三种格式。
首先提取笔记的文件名和路径名，然后用构造出输出文件名和输出路径。
files_path <- list.files("notes", full.names = TRUE)
files_name <- list.files("notes")
target_name <- files_name %>%
str_replace("(?<=\\.).*$", "md") %>% # 零宽断言，把后缀名都改为 md
str_remove_all(" *")
target_path <- paste0("notes/pandoc-md/", target_name)
调用 Pandoc 批处理
调用 Pandoc 进行批量转换，这里遇到了选择：
- 写批处理脚本，但 Windows 搞起来有点麻烦，等有空了跑到 Linux 里再看看吧。
- 使用
rmarkdown::pandoc_convert()，但这个函数似乎有点严格，好容易报错。
最后从 rmarkdown::pandoc_convert() 函数源码取经，把「合成 Pandoc 命令然后传给 Pandoc」 的部分提取出来，加工一下得到下面的方法：
pandoc_convert <- function(input, output) {
system(paste("pandoc", input, "-o", output, "--to gfm"))
}
walk2(files_path, target_path, ~ pandoc_convert(.x, .y))
批量转换的过程中会出现和直接调用 rmarkdown::pandoc_convert() 一样的提示：pandoc.exe: notes/��R����ʵս������ROBERT: openBinaryFile: does not exist (No such file or directory)。估摸着还是编码的问题，好在数量不大，手动改改可以接受。
文件名修改
博客需要的 Markdown 文件名为 日期-文件名.md，因此修改转换后的 Markdown 文件名。日期尽量与公众号上保持一致，对于不好匹配的，手工调整一下1。文件名利用 Python 的 pypinyin 包将中文书名转为拼音。R 居然没有一个好用的转拼音工具，pinyin 包死活要带着音调。
library(reticulate)
py <- import("pypinyin") # 书名转拼音，用 Python 的 pypinyin 包
file_info <- list.files("notes/pandoc-md") %>%
as_tibble() %>%
transmute(file = str_remove(value, "\\.md")) %>%
left_join(books_df %>% select(1:2), by = join_by(file == title)) %>%
mutate(book = ifelse(str_detect(file, "《"),
str_extract(file, "(?<=《).*(?=》)"), file), # 提取《》中的书名用于生成 slug
slug = map(book, ~ py$pinyin(.x, style = py$Style$NORMAL)), # 中文转拼音列表
slug = map_chr(slug, ~ str_c(.x, collapse = "")), # 拼音列表合并
slug = ifelse(str_detect(slug, "[—：“（\\+]"),
str_extract(slug, ".*?(?=[—：“（\\+])"), slug), # 特殊字符前截断
file_name = str_c(str_replace_na(date, "2022-05-29"),
"-", slug, sep = ""), # 不确定时间的，用最后一篇公众号文章时间
path = list.files("notes/pandoc-md", full.names = TRUE),
new_path = paste0("notes/blog-md/", file_name, ".md"))
file_info
## # A tibble: 88 × 7
## file date book slug file_name path new_path
## <chr> <date> <chr> <chr> <chr> <chr> <chr>
## 1 《R的极客理想——量化投资篇》—… NA R的… Rdej… 2022-05-… note… notes/b…
## 2 《案例研究：原理与实践》——约… NA 案例… anli… 2022-05-… note… notes/b…
## 3 《案例研究方法的应用》——Robe… NA 案例… anli… 2022-05-… note… notes/b…
## 4 《八次危机》——温铁军 2022-02-17 八次… baci… 2022-02-… note… notes/b…
## 5 《白说》——白岩松 2020-04-24 白说 bais… 2020-04-… note… notes/b…
## 6 《变量》——何帆 2020-08-20 变量 bian… 2020-08-… note… notes/b…
## 7 《财富自由之路》——李笑来 2020-08-12 财富… caif… 2020-08-… note… notes/b…
## 8 《插花地册子》——止庵 2021-04-13 插花… chah… 2021-04-… note… notes/b…
## 9 《尘曲》——七堇年 2020-05-07 尘曲 chen… 2020-05-… note… notes/b…
## 10 《沉默的大多数》——王小波 2021-10-12 沉默… chen… 2021-10-… note… notes/b…
## # ℹ 78 more rows
将文件重命名，统一放到 blog-md 文件夹
dir.create("notes/blog-md")
file.copy(file_info$path, file_info$new_path)
yaml 添加
笔记放入博客，前面要搞点 yaml。
先构建 yaml：
yamls <- file_info %>%
mutate(yaml = str_c("---\n",
"title: 读《", book, "》\n",
"author: 吴诗涛\n",
"date: '", str_sub(new_path, 15, 24), "'\n",
"slug: ", slug, "\n",
"tags: [读后感]\n",
"---\n"),
final_path = str_replace(new_path, "notes/blog-md", "result")) %>%
select(file, new_path, date, yaml, final_path)
yamls
构建添加 yaml 的函数：
add_yaml <- function(input, output, yaml) {
file_content <- readLines(input) %>%
str_remove_all("<.*>") # 对于 html 转换的文件，剔除还存在的 html 标签
file_conbine <- c(yaml, file_content)
writeLines(file_conbine, output)
}
批量添加 yaml：
dir.create("result")
pwalk(list(input = yamls$new_path,
output = yamls$final_path,
yaml = yamls$yaml),
add_yaml)
剩下的就是每个文件都检查一遍啦！
中途放弃的尝试
在寻找搬迁的方法时，遇到了很多问题，这些问题来自：
- 以前的笔记没有层级结构。最开始使用 Word 文档做笔记，使用了自定义但没有层级的样式，转换后难以区分标题与正文。
- 2021 年以前的公众号文章排版时，直接使用了加粗来标记标题，于是乎 Pandoc 转换后需要用正则表达式再次识别标题。简单来说，就是命中了 yihui 首页
I yell at people who use \textbf{} to write \title{}中的people哈哈。 - 2021 年后使用了多个基于 Markdown 的公众号排版编辑器，请求正文后发现这些编辑器在文中注入了很多杂七杂八的内容。在 Pandoc 转换后难以用正则表达式完全清洗干净，遂放弃。
# 挑一个 url 试一试
url <- books_df %>% slice(61) %>% pull(url)
# 请求正文
body_html <- request(url) %>%
req_perform() %>%
resp_body_string()
# 写出正文
writeLines(body_html, "test.html")
然后在终端调用 Pandoc：
pandoc test.html -s -o test.md --to gfm
发现标题的文字和正文一个样，OMG！！
小结
这些笔记大多数是手敲的，或许仍存在错别字，希望不影响各位看官的阅读感受。不同形式的笔记背后，是曾经的自己不断探索更高效的笔记组织方式，寻找更方便的保存和分享途径。许多书中的句子早已遗忘。在重新梳理读书笔记的时候，会惊叹原来以前读到过这样的句子，也会感慨「纸上得来终觉浅」。
从公众号转移到博客，不用再担心自己的文章被删除，也不用因发布后只能修改 10 个字的奇葩规定而抓耳挠腮。博客世界还会有好心人给俺添砖加瓦，在此一并表示感谢！
搬迁完后，博客的起始时间便成了 2019 年，影响力聚焦，多一份厚重感，继续耕耘！
-
这里失误，文件名修改时应使用现有读书笔记文件的修改时间，可以省去后续好多麻烦事。 ↩︎