Gimli 技术文档
Gimli 是一个将标记语言转换为 PDF 文件的实用工具,特别适用于生成报告等文档。它支持多种标记语言,并提供了语法高亮功能。本文将详细介绍如何安装、使用 Gimli,以及如何通过 API 进行文档转换。
1. 安装指南
通过 RubyGems 安装
推荐使用 RubyGems 安装 Gimli:
$ [sudo] gem install gimli
从源码安装
如果你想从源码安装 Gimli,可以按照以下步骤操作:
$ cd gimli/
$ bundle
$ rake install
在 Windows 上安装
在 Windows 系统上使用 Gimli 需要额外安装 wkhtmltopdf 和 which 工具:
-
安装
wkhtmltopdf:- 从 wkhtmltopdf 官网 下载并安装。
- 确保
wkhtmltopdf.exe的路径已添加到系统的$PATH环境变量中,并且位于 Ruby 目录之前。
-
安装
which命令:- 从 GnuWin32 下载并安装
which工具。 - 确保
which.exe的路径已添加到系统的$PATH环境变量中。
- 从 GnuWin32 下载并安装
2. 使用说明
基本使用
在包含标记文件的目录中运行以下命令:
$ gimli
Gimli 会将当前目录下的所有标记文件转换为 PDF 文件。
自定义样式
你可以通过添加 gimli.css 文件来自定义 PDF 的样式,或者使用 -s 参数指定其他 CSS 文件:
$ gimli -s /path/to/custom.css
指定输出目录
默认情况下,Gimli 会在当前目录下生成 PDF 文件。你可以使用 -o 参数指定输出目录:
$ gimli -o /path/to/output
处理 Jekyll 文件
如果你的标记文件包含 Jekyll 的 YAML 前端内容,可以使用 -y 参数移除这些内容:
$ gimli -y
添加封面
你可以通过 -cover 参数为文档添加封面:
$ gimli -f doc-file.md -cover cover-file.md
传递 wkhtmltopdf 参数
使用 -w 参数可以直接传递参数给 wkhtmltopdf,例如添加目录和页脚:
$ gimli -f test.md -w '--toc --footer-right "[page]/[toPage]"'
使用 Docker 容器
Gimli 提供了 Docker 容器,可以在不安装 Gimli 的情况下进行文件转换:
$ docker run -v <host_dir>:<container_dir> walle/gimli -f <container_dir>/my-file.md -o <container_dir>
其中 <host_dir> 是包含待转换文件的目录,<container_dir> 是容器内的目录。
3. API 使用文档
Gimli 提供了命令行接口,可以通过命令行参数进行配置。以下是常用的参数:
-f:指定要转换的标记文件。-o:指定输出目录。-s:指定自定义样式表。-y:移除 Jekyll 的 YAML 前端内容。-cover:指定封面文件。-w:传递参数给wkhtmltopdf。
4. 项目安装方式
Gimli 可以通过 RubyGems 或源码安装,具体步骤见 安装指南。
依赖项
Gimli 依赖于以下工具:
wkhtmltopdf:用于将 HTML 转换为 PDF。which:用于查找wkhtmltopdf的路径。
确保这些工具已正确安装并配置。
语法高亮
Gimli 支持语法高亮,使用以下语法:
def foo
puts 'bar'
end
代码块必须以三个反引号开头,后跟语言名称。支持的语法高亮语言列表请参考 coderay。
通过本文档,你应该能够顺利安装、配置并使用 Gimli 进行文档转换。如有任何问题,请参考官方文档或社区支持。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00