用Python高亮org-mode代码块

文章同时可在我的github blog上阅读：http://cheukyin.github.io/python/2014-08/pygments-highlight-src-export-html.html

本文完整代码可见我的_pygment-html.py

1 前言

最近在研究利用org-mode写博客，其他一切都深得我心、甚合吾意，就是代码染色发布html这一点要给差评。org-mode利用htmlize 插件给 src block 中的代码着色，让文章中的代码块输出html后的颜色于你在emacs上看到的相同。可问题在于，我emacs上背景是暗黑系的，而我博客上是浅色系，因此代码高亮风格不相调和，何况高亮主题单一不可定制，输出代码行号丑陋不堪，当然这都可以用elisp解决，可是想必是繁杂晦色无比（要调色啊…）

于是，我又再次投入万能的Python的怀抱，直接利用它的pygments库高亮代码。

2 实现框架

先介绍一下pygments。 pygments 能够将一段原生代码高亮并输出为 html、latex、png 等多种格式，而且还提供各种样式控制。

由于pygments库是原生的python库，因此通过写elisp插件控制org-mode发布并不现实，再三思虑之下，只能从org-mode发布的html文件开始入手，把代码块的html改了。

先来看看org-mode代码块输出html的特征：

src block :

#+begin_src python

import pygments

print "aa"

#+end_src

输出 html ：

<div class="org-src-container">

<pre class="src src-python"><span style="color: #66D9EF;">import</span> pygments

<span style="color: #66D9EF;">print</span> <span style="color: #E6DB74;">"aa"</span>

</pre>

</div>

可以看出，代码块输出html后总会包含在 <div class="org-src-container">...</div> 内，至于代码语言则由 <pre> 的class 属性指明。

OK，目标很明显，就是要将上面那段 html 代码用 pygments 替换成我们想要的高亮主题。

程序流程：

提取：把包含在 <div class="org-src-container">...</div> 内的html代码提取到数组A
去标记：用 BeautifulSoup 解析数组A中的html代码，把当中 html tags 去掉，等到原生代码
高亮：用 pygments 高亮原生代码，并输出新的 html
替换：用新的html把旧的替换掉，并重新写入文件
样式：为代码块指定或设计 CSS

3 具体实现

完整代码可见我的_pygment-html.py

3.1 虚拟环境

由于在我的 Jekyll 中，需要写多个python脚本处理，因此我先建立一个虚拟环境，然后所由脚本都在这个虚拟环境中开发。

3.1.1 Virtualenv

Virtualenv 用于创建独立的Python环境，多个Python相互独立，互不影响，它能够：

在没有权限的情况下安装新套件
不同应用可以使用不同的套件版本
套件升级不影响其他应用

安装： pip install virtualenv

创建： virtualenv /your/path/of/env ，默认情况下，虚拟环境会依赖系统环境中的 site packages ，就是说系统中已经安装好的第三方 package 也会安装在虚拟环境中，如果不想依赖这些package，那么可以加上参数 --no-site-packages 建立虚拟环境

启动虚拟环境： cd /your/path/of/env ， source ./bin/activate ，注意此时命令行会多一个 ENV ， ENV 为虚拟环境名称，接下来所有模块都只会安装到该目录中去。

退出虚拟环境： deactivate

3.1.2 VirtualenvWrapper

Virtualenv很有用，但是操作较为麻烦（想想你需要来回切换多个ENV），因此可用 Virtualenvwrapper 简化操作：

将所有虚拟环境整合在一个目录下
管理（新增，删除，复制）虚拟环境
切换虚拟环境
…

安装： pip install virtualenvwrapper

把下面的代码写入 .bashrc/.zshrc 中：

if [ `id -u` != '0' ]; then

export VIRTUALENV_USE_DISTRIBUTE=1        # <-- Always use pip/distribute

export WORKON_HOME=$HOME/.virtualenvs       # <-- Where all virtualenvs will be stored

source /usr/local/bin/virtualenvwrapper.sh

export PIP_VIRTUALENV_BASE=$WORKON_HOME

export PIP_RESPECT_VIRTUALENV=true

fi

创建 $HOME/.virtualenvs 目录，以后可在里面创建新的Virtualenv，如果你的Virtualenv不想放在里面，也可以只建立符号链接。

使用：

列出虚拟环境列表： workon 或者 lsvirtualenv
新建虚拟环境： mkvirtualenv [虚拟环境名称]
启动/切换虚拟环境： workon [虚拟环境名称]
删除虚拟环境： rmvirtualenv [虚拟环境名称]
离开虚拟环境： deactivate

需要注意的是，当你进入ENV后，你所调用的python程序是在 ENV/bin 目录下，因此脚本开头的 #!/usr/bin/python 就没有用了，运行脚本时需要显式调用python解释器。

3.1.3 ENV安装Shell脚本

由于整个ENV目录不适合上传至 github page 的仓库(上传后出现各种 build page error )。所以我写了个安装ENV的Shell脚本：

mkdir _py_virtualenv

pip2 install virtualenv && virtualenv _py_virtualenv --no-site-packages && source _py_virtualenv/bin/activate && pip2 install pygments && pip2 install beautifulsoup4

切记此脚本只能用 source 运行，不能当成可执行文件运行。因为source是直接在当前shell环境中执行，而可执行文件方式只会在新的子shell下执行（执行到source部份就会出错）

3.2 编码问题

由于我使用的是python2.7 ，而 python2.7 的编码问题一直为人所诟病。python2.7默认的是 ascii编码 ，当程序中出现非ascii编码 时，python的处理常常会报这样的错：

UnicodeEncodeError: 'ascii' codec can't encode characters blalbla

对此有两种办法应对：

一种是涉及非ascii编码的字串后添加 encode("utf8") ，不过这种方法似乎时灵时不灵，而且一旦少写一个地方，将会导致大量的错误报告，不推荐。

另一种是在程序加载之初就将解释器编码改为 utf8 ，这也是我所采用的：

import sys

reload(sys)

sys.setdefaultencoding('utf8')

3.3 命令行交互

本脚本是通过命令行运行的，高亮的文件由用户通过命令行参数指令，利用 sys 模块可以很好地解析 cli参数 ，因此用户可以方便地利用shell的一些特性输入参数，具体代码实现如下：

if len(sys.argv)==1:

    print 'No Arguments!'

else:

    for file in sys.argv[1:]:

        if '.html' in file:

            hightlight_instance = Pygments_Html(file)

            hightlight_instance.colorize()

sys.argv 是一个 list ， sys.argv[0] 是程序名， sys.argv[1:] 才是cli中的各个参数名。

3.4 Pygments_Html

Pygments_Html 是我写的用于高亮代码的类，仅包含两个函数： __init__ 和 colorize 。

3.4.1 `init`

初始化函数

def __init__(self,file):

    self.filename = file

    self.language_dict = {'sh':'sh','matlab':'matlab','C':'c','C++':'c++','css':'css',

                          'python':'python','scheme':'scheme','latex':'latex',

                          'ruby':'ruby','css':'css','html':'html','others':'text'}

filename 为代处理的html文件，而 language_dict 则为 org-mode 支持的语言名到 pygments 支持的语言名的映射（因为两者会有细微差异），若org-mode中的语言不为pygments所支持，则映射至 text ，以纯文本方式输出。

注： org-mode 所支持的语言可用 ls /usr/share/emacs/site-lisp/org-mode/ob-* 看到，而 pygments 支持的可在pygments.org/docs/lexers 上看到

3.4.2 `colorize`

高亮函数，对 filename 文件所包含的代码块进行高亮。

Read file：

先读入对应文件流至 file_read ：

try:

    # open the html file

    file = open( self.filename,'r' )

except IOError:

    print self.filename,'not exists'

    return

file_read = file.read()

print "Opening",self.filename

file.close()

RE：

然后从 file_read 提取出包含在 <div class="org-src-container">...</div> 内的html代码：

import re

src_html_list = re.findall(r'<div class="org-src-container">.*?</div>',file_read,re.S)

提取是利用 re 模块进行，正则表达式中 .*? 代表 惰性匹配 ，之所以说是惰性，是因为它会匹配尽可能少的字符，它从第一个字符开始找起，一旦符合条件，立刻保存到匹配集合中，然后继续进行查找。与之相反的是不加 ？ 的 贪婪匹配 。

re.S 是正则表达式的一个 flag ，因为需要寻找的文字跨越多行，若不加这个falg，python的re就只会一行一行地去匹配，若加了这个 flag ，表达式中的 .* 就会匹配包括 \n 在内的换行符。

BeautifulSoup：

接着便要开始对 src_html_list 里的每个元素做处理：

import BeautifulSoup4

for src_html in src_html_list:

    soup=BeautifulSoup(src_html)

    src_soup = soup.find("div",class_="org-src-container")

    language = (src_soup.pre['class'][1]).split('-')[1]

这里利用 BeautifulSoup 对 src_html 包含的html进行解析，这里 soup.find 使用了两个参数，前一个是需要寻找的 tag，后面的 class_ 是 tag 中 class 属性，返回符合这两个条件的一个 soup 对象―― src_soup 。代码块的语言保存在<pre> 的 class 属性中，把它提取出来存在 language 里。

将 language 映射至 pygments 所支持的语言名：

if language in self.language_dict:

    language = self.language_dict[language]

else:

    language = self.language_dict['others']

Pygments：

现在可以用 pygments 高亮代码了：

from pygments import highlight

from pygments.lexers import get_lexer_by_name

from pygments.formatters import HtmlFormatter

lexer = get_lexer_by_name(language, stripall=True)

formatter = HtmlFormatter(linespans='line', cssclass="highlight")

src_colorized = highlight(src_soup.text, lexer, formatter)

Pygments 是 python 一个用于高亮代码的模快

其中第7行中的 src_soup.text 可以将 soup 对象中的 html tags 全部去掉，只剩下纯文本的原生代码。

highlight 函数有三个参数：第一个是用于高亮的代码串;第二个是 lexer ，用于指定代码语言;第三个是 formatter ，用于指定输出样式。

在这里，指定 formatter 为 HtmlFormatter ，即输出为 html 代码，其中 cssclass 用于指定 div 的样式名字，linespans 指定为 line ，用于指定 <span> 的 id 前缀为 line ，可以用来输出行号，输出格式如下：

<div class="highlight">

  <pre>

    <span id="line-1">...<span>

    <span id="line-2">...<span>

    <span id="line-3">...<span>

    <span id="line-4">...<span>

  </pre>

</div>

待会我会为 .hight 设计 CSS ，控制代码及行号样式。

Replace：

src_colorized 现在存储了pygments高亮html代码，需要替换掉原有的：

file_read = file_read.replace(src_html,src_colorized)

replace 有两个参数，第一个是需要被替换的旧文本，第二个是新文本。

Rewrite：

for 循环完成后，意味着所有代码已经高亮完毕，可以将新的html重写进去：

file = open( self.filename,'w' )

file.write(file_read)

file.close()

3.5 CSS

上面的 pygments 只负责输出html结构，而 CSS 却是尚未指定。

首先生成代码颜色的样式：

pygmentize -S default -f html > your/path/pygments.css

生成的样式文件加到我们的网页中:

<link rel="stylesheet" href="/your/path/pygments.css">

由于我使用 jekyll ，所以我将 css 文件发在 assets/themes/havee/css/ 下

然后便需要指定行号样式，上面说了行号由 .hightlight pre span 决定的：

.highlight pre {

    counter-reset: linenumbers;

}

.highlight pre > span:before {

  font-size: .9em;

  color: #aaa;

  content: counter(linenumbers);

  counter-increment: linenumbers;

  text-align: center;

  width: 2.5em;

  left: -0.5em;

  position: relative;

  -webkit-touch-callout: none;

  -webkit-user-select: none;

  -khtml-user-select: none;

  -webkit-user-select: none;  /* Chrome all / Safari all */

  -moz-user-select: none;     /* Firefox all */

  -ms-user-select: none;      /* IE 10+ */

  /* No support for these yet, use at own risk */

  -o-user-select: none;

  user-select: none;

}

行号是由 counter 自动生成，14行至21行的 *-user-select 禁止行号被选中，如此浏览代码是可以很方便地复制代码。

4 用法

在Shell中运行脚本，shell命令后面跟html文件名