Python使用Mistune对markdown自定义规则解析

Mistune——更快的markdown解析器

在Python中有很多markdown解析器，以前我一直使用的是Python-markdown，一个纯Python实现的markdown解析器，别的不说，慢的要死倒是真的。每次点击保存后，都要响应很久，我开始一直以为是我的vps在国外导致的，后来还用了Mistune才知道，不是网速的问题，是解析器的速度问题。

没有对比就没有伤害，Mistune是所有纯Python实现中最快的一个。在纯Python环境中，几乎比Python- markdown快4倍，在Cython的帮助下，几乎快5倍。现在我使用了CPython，几乎是点击完保存的一瞬间，就解析完了，可以说感觉是很明显的。

基础用法

一个简单的栗子：

import mistune

mistune.markdown('I am using **mistune markdown parser**')
# output: <p>I am using <strong>mistune markdown parser</strong></p>

如果关心性能，官方推荐使用对象实例化后在进行调用

import mistune

markdown = mistune.Markdown()
markdown('I am using **mistune markdown parser**')

选择项

在使用mistune.Renderer的时候会有一些选择项提供修改

renderer = mistune.Renderer(escape=True, hard_wrap=True)
# use this renderer instance
markdown = mistune.Markdown(renderer=renderer)
markdown(text)

• escape: 如果设置为False，则不会转义所有原始html标记。
• hard_wrap: 如果设置为True，它将具有GFM换行功能。所有新行都将替换为<br>标记。GFM跟标准MD一样，行尾不允许直接回车换行，必须是 或者空格空格
• use_xhtml: 如果设置为True，则所有标记都将使用xhtml，例如：<hr />。
• parse_block_html:只解析block级别的。
• parse_inline_html: 只解析inline级别的。

Renderer(渲染器)

官方提供了渲染器，当然你也可以继承官方的Renderer然后自己重写或者添加一些方法，这里给了一个官网给出的栗子，是一个给所有代码块添加highlighting标签的栗子。

import mistune
from pygments import highlight
from pygments.lexers import get_lexer_by_name
from pygments.formatters import html

class HighlightRenderer(mistune.Renderer):
    def block_code(self, code, lang):
        if not lang:
            return '
<pre><code>%s</code></pre>
' % 
                mistune.escape(code)
        lexer = get_lexer_by_name(lang, stripall=True)
        formatter = html.HtmlFormatter()
        return highlight(code, lexer, formatter)

renderer = HighlightRenderer()
markdown = mistune.Markdown(renderer=renderer)
print(markdown('```python
assert 1 == 1
```'))

下面是关于解析内容的很关键的定义，一个是块级解析(Block Level)，一个是小跨度级解析(Span Level)，也就是每句话中间出现的那种markdown解析，加粗什么的，还有一个是脚注(Footnotes)

Block Level

块级的API如下：

block_code(code, language=None) #代码块
block_quote(text) #引用块
block_html(html) #原生html？
header(text, level, raw=None) # 不知道是啥
hrule() # 不知道是啥
list(body, ordered=True) # 不知道是啥
list_item(text) # 不知道是啥
paragraph(text) # 段落
table(header, body) # 表格
table_row(content) # 表格行
table_cell(content, **flags) # 表格单元

Span Level

块级的API如下：

autolink(link, is_email=False) #引用链接
codespan(text) #行级code
double_emphasis(text) #加粗
emphasis(text) #斜体
image(src, title, alt_text) #图片
linebreak() #不知道
newline() #新的一行？
link(link, title, content) #引用链接
strikethrough(text) #不知道
text(text) #普通文字
inline_html(text) #内嵌HTML

Footnotes

脚注的API如下：

footnote_ref(key, index)
footnote_item(key, text)
footnotes(text)

自定义规则

下面就是自定义规则了，我们大概了解了每个API，官方源码里面主要分了以下几个类

• BlockGrammar：关于块级的语法正则定义
• BlockLexer：块级词法分析器
• InlineGrammar：关于行级的语法正则定义
• InlineLexer：行级词法分析器
• Markdown：Markdown解析
• Renderer：解析器

在这里，我举一个真实的栗子来讲解，首先抛出问题

问题：我在使用mathtype的时候，书写公式，例如这个公式||x||_1= sum_{i=0}^{n}|x_i|，这是L1范数的公式，现在解析肯定没有问题了，我已经修复了，但如果是以前，会由于||x||后面的字符_和sum后面的字符_，匹配到markdown中就是斜体的定义，那么我的公式就会变为

||x|| @1= sum@ {i=0}^{n}|x_i|​

这个样子。所以为了解决这个问题，我要重写有关于下划线_和乘号*的markdown语法。

解决办法：

首先定位一下，主要引起这个的有两个，一个是加粗，一个是斜体，所以我重写他们。

1. 定义自己的InlineLexer，继承InlineLexer；
2. 找到规则double_emphasis和emphasis，我将加粗改写为了只允许**框住，斜体改写为了@框住；
3. 加入到default_rules这个list里面；
4. 重写输出函数output_double_emphasis和output_emphasis。

class MyInlineLexer(InlineLexer):
    def enable_delete_em(self):
        self.rules.double_emphasis = re.compile(
            r'*{2}([sS]+?)*{2}(?!*)'  # **word**
        )
        self.rules.emphasis = re.compile(
            r'@((?:**|[^*])+?)@(?!*)'  # @word@
        )
        self.default_rules.insert(3, 'double_emphasis')
        self.default_rules.insert(3, 'emphasis')

    def output_double_emphasis(self, m):
        text = m.group(1)
        return self.renderer.double_emphasis(text)

    def output_emphasis(self, m):
        text = m.group(1)
        return self.renderer.emphasis(text)

然后在解析markdown的时候

renderer = Renderer()
inline = MyInlineLexer(renderer)
inline.enable_delete_em()
markdown = mistune.Markdown(renderer=renderer, inline=inline)

1. 实例化Renderer；
2. 实例化自己的词法分析器；
3. 调用enable_delete_em()重写对应的地方；
4. 最后，实例化markdown，传入对应的renderer与inline即可。

Reference

Mistune文档

Markdown Parsers in Python