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
