如何在Syntax Highlight项目中禁用ipynb文件的JSON渲染
Syntax Highlight是一款优秀的代码高亮工具,它支持多种编程语言和文件格式的快速预览。然而,在某些特定场景下,用户可能需要禁用某些文件类型的默认渲染方式。本文将详细介绍如何禁用ipynb(Jupyter Notebook)文件的JSON渲染方式,转而使用专门的QuickLook插件进行HTML渲染。
背景说明
ipynb文件本质上是JSON格式的文件,Syntax Highlight默认会将其作为JSON文件进行渲染。但对于许多Python开发者来说,使用专门的Jupyter Notebook查看器能获得更好的阅读体验,特别是当这些查看器支持HTML渲染时。
解决方案步骤
-
修改Info.plist文件 首先需要找到并编辑Syntax Highlight的插件配置文件:
/Applications/Syntax Highlight.app/Contents/PlugIns/Syntax Highlight Quick Look Extension.appex/Contents/Info.plist在该文件中,找到包含"ipython"或"jupyter"的行并删除。
-
重新签名应用 修改系统应用后必须重新签名才能正常运行:
codesign -s - -f --preserve-metadata=entitlements,requirements,identifier,flags,runtime --deep "/Applications/Syntax Highlight.app"
技术原理
这个解决方案的核心在于修改QuickLook扩展的配置文件。Info.plist文件包含了QuickLook扩展支持的文件类型列表,通过移除ipynb相关的条目,系统将不再使用Syntax Highlight来渲染这类文件,转而使用其他已安装的专用插件。
codesign命令则是macOS系统对应用进行数字签名的工具,修改应用后必须重新签名以保证系统的安全性检查通过。--preserve-metadata参数保留了原有的应用元数据,确保应用功能不受影响。
注意事项
- 修改系统应用前建议先备份原始文件
- 操作需要管理员权限
- 不同版本的Syntax Highlight可能配置文件位置略有不同
- 如果系统中有多个ipynb查看器,可能需要设置默认查看器
扩展知识
QuickLook是macOS提供的一个强大功能,允许用户在不完全打开文件的情况下快速预览内容。系统会根据文件扩展名和内容类型自动选择合适的预览插件。开发者可以通过编写QLGenerator来扩展这一功能,而用户则可以通过修改现有插件的配置来自定义预览行为。
对于技术用户来说,理解并掌握这些自定义方法可以极大提升工作效率,打造更加个性化的开发环境。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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