前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >Markdown 微信公众号排版 转换工具 在线 免费无广告

Markdown 微信公众号排版 转换工具 在线 免费无广告

原创
作者头像
用户7909580
发布于 2025-01-12 04:12:02
发布于 2025-01-12 04:12:02
2730
举报

简介

Markdown-Wechat 排版利器,支持 "一键排版" 的样式模板选择,支持"css样式自定义",支持80多种代码高亮。

能让Markdown内容,无需作任何调整就能同时在微信公众号、博客园、掘金、知乎、csdn、51cto、wordpress、hexo等平台正确显示当前预览的效果。并能生成相应的Html文档。

富文本编辑器虽然用起来方便,但只能定义部份样式,而Markdown-Wechat的自定义css,是能定义所有标准的css样式,甚至直接支持HTML排版,功能非常强大呵。

更详细的信息,请看官网:https://markdown.kaihu51.com

本教程主要内容如下:

Markdown-Wechat整体体验

img
img

我会先点左上角的 "编辑" 图标后才开始写作,这样,写作的内容会自动保存在浏览器的缓存中。大家会看到,就是常用的几条markdown指令,经Markdown-Wechat渲染后,整个效果就变得高大上了,你可以选择自己喜欢的样式模板,OK后,一键“复制”到公众号中,整件事就完成了,整个过程非常简单。

“复制”指的是工具栏的那个“复制”图标,已实现:全选+复制,不能用ctrl+c,也不能用右键的“复制”呵;

所有的“保存”,目前是保存在本机的浏览器缓存中,所以重新开机后,这些保存的内容是不会丢失的,如果担心不小心清了缓存或其它的原因引起的丢失,建议自己备份一份。

图片和云图床

关于图片

大家会看到,我拿图片链接的方法是先把图片上传到公众号中,然后在公众号的“素材管理”->"图片“中点击打开图片后,再右键图片,"复制图片的链接地址",粘贴到markdown中的。你也可以把Markdown-Wechat"复制"到公众号后,再插入图片。但这些方法相对来说是比较复杂的。

因本人也写博客,我通常的做法是先在博客平台(如CSDN,简书)把markdown写好,上传好图片(上传图片时,markdown会自动包含了图片的链接),然后再把博客平台的整个markdown内容复制到Markdown-Wechat排版,再一键 “复制” ,粘贴,粘贴……到各个平台。

关于云图床

最新版本已支持云图床,设置好云图床后,能把本地图片自动上传到云图床,并自动生成markdown.

请参考云图床教程:

其实,对于大部分人来说,上面的视频就已能完美解决公众号用markdown来写作的问题了。但对我来说,这只是介绍Markdown-Wechat的开始。自定义css样式功能如此强大,你能不往下看吗?

初识css

对于没学习过css的同学来说,一听到css就懵了,啥来的?

简单地说,css就是渲染网页所用的样式。打开“一键排版”,看到里面的的内容就是当前渲染效果对应的css样式,不同的样式模板对应不同的css样式,所以就能渲染出不一样的效果。

可能又有些同学看到css样式文件里那么多的内容,又懵了,不知从何下手。

其实,在样式文件中,我已加了很多的注释,比如p {/*段落*/,另外,看到的h1,h2,......,h6为标题,分别对应markdown内容中的#,##,......,######

举个例子来说,如果我想改###这个h3标题的效果,那就只要改样式文件中以h3为开头的样式的内容即可。如:

代码语言:css
AI代码解释
复制
h3 {
  font-size: 1.3em;
}

改为

代码语言:css
AI代码解释
复制
h3 {
  font-size: 2.3em;
  color:#159957
}

也可以直接在后面添加,后面的会覆盖前面的,如:

代码语言:css
AI代码解释
复制
h3 {
  font-size: 1.3em;
}
h3 {
  font-size: 2.3em;
  color:#159957
}

从上面的内容可以看到,font-size,color,这个不用解释大家都知到是什么意思了吧,而颜色大家会发现有时用的是如:color:rgb(248,35,117) ,而有时又用如color:#f82375,其实只不过是两种不同的表达罢了,其中rgb(248,35,117)分表为r、g、b对应的10进制数,和其16进制数:color:#f82375是对应的。

因为Markdown-Wechat中用的都是标准的css样式,如果有不清楚的,百度一下就ok了。

你要知到的

修改样式后,“保存”就能即时预览到效果。

大家后面会看到,我的第一步是从"默认样式“中把整个样式内容复制到"最爱样式“中然后进行修改的,建议参考这个做法,因为所有的样式模板都是从"默认样式“中修修改改过来的,另外,其它的样式模板目前还有可能在不断改进中,所以在"最爱样式“中定义自己的样式是最好的。

另外,各个样式模板相对"默认样式“改动的部分,我都用 红色 标出来,所以应该很容易就能看到改了那个地方,如果你喜欢某模板的标题样式,然后又喜欢另一模板的引用块样式,可以把相应的样式复制并整合到你“最爱样式”下,如有需要再加以修改就行了。

好了,下面我就带着大家一步一步来介绍如何自定义css样式了。

全局样式自定义

img
img

大家看到,修改output_wrapper{}下的样式后,就直接影响了整个文档的显示效果,而每个样式的修改会有什么效果,从英文单词和视频效果中已能很清楚地看到,所以不一一详细描述了。

但细心的朋友可能会发现,不是说了全局的吗?但为什么最上面的引用块的样式没有变的?呵呵,再补充下:

更具体定义的元素,无论放在前面还是后面,也不会被范围更大的定义覆盖,如:

代码语言:css
AI代码解释
复制
blockquote
{
color:#ffffff;
}
output_wrapper
{
color:#00000;
}

output_wrapper的color不会覆盖blockquote(引用块)的。原因是就就是output_wrapper是针对所有的,而blockquote只是针对引用块。

好吧,既然说了引用块blockquote,那就接着blockquote{}来说吧!

引用块样式自定义

img
img

有了上面的介绍后,这儿看起来应该没压力了吧,就是改blockquote{},说白了就是英语单词的事了。

段落样式自定义

img
img

粗体、斜体、删除线

img
img

大家看到,对于斜体em{},我把font-style:itaic拿掉就不斜,对于删除线del{},只要添加text-decoration:none;就会把删除线可掉,对于强调strong{}可以添加font-weight:normal;把粗体去掉。这样你就可以把它作为其它的作用了呵。

分隔线样式自定义

img
img

想不到分隔线也能做成这样的效果,对吧?

行内代码样式自定义

行内代码和代码块一般情况都是用于代码显示,不过行内代码是可以和其它的内容放在同一行的,所以有些同学也喜欢用行内代码来显示一些自己要突出的内容;而代码块,就是独立为显示一段代码的区域。

img
img

行内代码,也就是改code{}

代码块样式自定义

img
img

看到这儿后,就算工具栏没了代码紧凑的功能,你也应该知到怎样实现了吧!

另外,代码的高亮,你也可以随心所欲地定义了吧。

标题样式自定义

其实很多文章,大家都比较注意标题的样式,所以下面会发别从三个标题样式为例来进行练习。

补充一下,markdown语法的#对应样式中的h1,##对应h2,……######对应h6,虽然对h1h6浏览器会有默认的font-size,但也是可以任意自定义的。

大家看到我比较喜欢用h3,主要是因为,我写markdown时喜欢用通用的语法,也就是说,就算有些平台如:简书,不支持Markdown-Wechat的渲染,但我可以把Markdown的内容复制到简书,用简书自带的markdown编辑器还是能渲染出它默认的效果的,而我喜欢h3作标题,就是因为h3默认的font-size对我来说,刚好。

而Markdown-Wechat对标题(h1……h6)进行了优化,以h3为例,我把h3{}作为整个标题的样式,而把h3 span{}作为文字内容的样式,说得有点听不懂,对吗?不用担心,通过下面的练习,你就知到了。

标题酷酷的改进

我看到大多数朋友喜欢用"标题酷酷“这个样式,其实这个样式是我自己瞎弄出来的,想不到有那么多同学喜欢,有点偷着乐:p,但后来想想,是不是样式太少,他们根本没得选?

那好吧,自己来改一个吧。当然,我说的只是方法,大家知到方法后,怎样改就是自己个人喜欢的事了。好,直接来视频:

img
img
标题首字突出的改进
img
img

大家看到,这个标题我用的不是h3,而是h1了,主要是想告诉大家,如果你一篇文章中,如果想同时有几种标题,可以用这种方法。当然这种方法也不是唯一的,但先到此为止了。

标题上下边框的改进
img
img

大家看到,这个我又变成用h1了,对吧。这些都是很灵活的。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

评论
登录后参与评论
暂无评论
推荐阅读
基于MLxtend绘制分类模型的决策边界
继续更新机器学习扩展包MLxtend的文章。本文介绍如何使用MLxtend来绘制与分类模型相关的决策边界decision_regions。
皮大大
2024/06/06
3510
机器学习扩展包MLXtend绘制多种图形
mlxtend(machine learning extensions,机器学习扩展)是一个用于日常数据分析、机器学习建模的有用Python库。mlxtend可以用作模型的可解释性,包括统计评估、数据模式、图像提取等。
皮大大
2024/06/13
3210
机器学习分类模型决策边界,MLxtend轻松绘制!
https://rasbt.github.io/mlxtend/user_guide/classifier/LogisticRegression/
皮大大
2024/07/12
4500
机器学习集成学习与模型融合!
对比过kaggle比赛上面的top10的模型,除了深度学习以外的模型基本上都是集成学习的产物。集成学习可谓是上分大杀器,今天就跟大家分享在Kaggle或者阿里天池上面大杀四方的数据科学比赛利器---集成学习。
Datawhale
2020/08/20
1.1K0
机器学习集成学习与模型融合!
「超级干货大放送」机器学习十二种经典模型实例
目录 实例一:线性回归波士顿房价 实例二:KNN实现电影分类 实例三:基于线性回归预测波士顿房价 ​ 实例四:sklearn完成逻辑回归鸢尾花分类 实例五:支持向量机完成逻辑回归鸢尾花分类 实例六:使用决策树实现鸢尾花分类 实例七:使用随机森林实现鸢尾花分类 实例八:使用朴素贝叶斯进行鸢尾花分类 实例九:使用Kmeans来进行鸢尾花分类 实例十:K最近邻的使用方式 实例十一:kmeans的其他展示方式 实例十二:Kmeans实现鸢尾花聚类 ---- 实例一:线性回归波士顿房价 ''' 实例一:线性回归
荣仔_最靓的仔
2021/02/02
9630
「超级干货大放送」机器学习十二种经典模型实例
小姐姐带你一起学:如何用Python实现7种机器学习算法(附代码)
2018 区块链技术及应用峰会(BTA)·中国 倒计时 1 天 2018,想要follow最火的区块链技术?你还差一场严谨纯粹的技术交流会——2018区块链技术及应用峰会(BTA)·中国将于2018年3月30-31日登陆北京喜来登长城饭店。追求专业性?你要的这里全都有:当超强嘉宾阵容遇上业界同好的脑洞大联欢,1+1=无限可能,目前门票预购火热进行中。 活动详情: http://dwz.cn/7FI1Ch 编译 | 林椿眄 出品 | 人工智能头条(公众号ID:AI_Thinker) 【AI科技大本营导读】P
用户1737318
2018/06/05
1.7K0
[Python从零到壹] 十二.机器学习之回归分析万字总结全网首发(线性回归、多项式回归、逻辑回归)
监督学习(Supervised Learning)包括分类算法(Classification)和回归算法(Regression)两种,它们是根据类别标签分布的类型来定义的。回归算法用于连续型的数据预测,分类算法用于离散型的分布预测。回归算法作为统计学中最重要的工具之一,它通过建立一个回归方程用来预测目标值,并求解这个回归方程的回归系数。
Eastmount
2021/12/02
1.3K0
[Python从零到壹] 十二.机器学习之回归分析万字总结全网首发(线性回归、多项式回归、逻辑回归)
机器学习 pipeline 可视化
作为任何数据科学项目的一部分,数据可视化在理解更多可用数据和识别任何主要模式方面发挥着重要作用。
McGL
2020/10/30
1.2K0
机器学习 pipeline 可视化
python机器学习《基于逻辑回归的预测分类》
        本文所有代码均在阿里天池实验室运行,本机的jupyter notebook也可运行。除此之外,还需要导入numpy,matplotlib,sklearn,seaborn包。每期文章前面都会有环境搭建说明。文中的讲解知识点均是按照从上往下讲解,将一些平常未接触到的知识点先将清楚,再融合自己的想法去学习探索。
用户10271432
2023/01/02
8240
python机器学习《基于逻辑回归的预测分类》
8个常见的无监督聚类方法介绍和比较
本文约4500字,建议阅读9分钟本文将全面概述Scikit-Learn库中用于的聚类技术以及各种评估方法。 无监督聚类方法的评价指标必须依赖于数据和聚类结果的内在属性,例如聚类的紧凑性和分离性,与外部知识的一致性,以及同一算法不同运行结果的稳定性。 本文将分为2个部分,1、常见算法比较 2、聚类技术的各种评估方法 本文作为第一部分将介绍和比较各种聚类算法: K-Means Affinity Propagation Agglomerative Clustering Mean Shift Clusterin
数据派THU
2023/04/03
5100
8个常见的无监督聚类方法介绍和比较
机器学习:基于逻辑回归的分类预测
尽管名为“回归”,逻辑回归实际上是一种分类模型,广泛应用于各个领域。当今社会,深度学习在许多方面已取得了显著成果,使得传统方法相形见绌。然而,正是由于这些传统方法所具有的独特优势,它们依然在各个领域发挥着重要作用。
用户3578099
2023/09/01
4740
机器学习:基于逻辑回归的分类预测
sklearn库的学习
网上有很多关于sklearn的学习教程,大部分都是简单的讲清楚某一个方面。其实最好的教程就是官方文档(http://scikit-learn.org/stable/),但是官方文档讲述的太过于详细,同时很多人对官方文档的理解和结构认识上都不能很好的把握。我写这篇文章的目的是想用一篇文章讲清楚整个sklearn库,我会讲清楚怎么样用这个库,而不是讲清楚每一个知识点。(授人以鱼不如授人以渔)(本文很多都是从实践的角度出发,也仅仅只代表我个人的认识) 本篇文章主要从两个方面出发:1,介绍sklearn官方文档的类容和结构;2,从机器学习重要步骤出发讲清楚sklearn的使用方法。
全栈程序员站长
2022/11/02
4340
sklearn库的学习
机器学习决策树:sklearn分类和回归
1 逻辑回归和决策树分类比较 昨天的推送机器学习:对决策树剪枝,分析了决策树需要剪枝,今天再就这个话题,借助 sklearn 进一步分析决策树分类和回归时过拟合发生后,该如何解决的问题。 上周推送的机
double
2018/04/02
1.7K0
机器学习决策树:sklearn分类和回归
机器学习-LR模型
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
全栈程序员站长
2022/11/04
6910
stacking的实现-mxtend库「建议收藏」
环境情况: ################################################################## python 3.6 mlxtend 0.13.0 scikit-learn 0.19.0 ##################################################################
全栈程序员站长
2022/07/25
1.3K0
stacking的实现-mxtend库「建议收藏」
blender模型(sklearn模型融合)
机器学习中很多训练模型通过融合方式都有可能使得准确率等评估指标有所提高,这一块有很多问题想学习,于是写篇博客来介绍,主要想解决:
全栈程序员站长
2022/08/01
7450
blender模型(sklearn模型融合)
Numpy实现K-means算法
不同的k对应不同的结果,运行的时间也不相同。并且随着数据的增加,K-means计算的消耗成倍增长。
小小程序员
2023/12/21
1890
Numpy实现K-means算法
贷款违约预测-Task5 模型融合
Tip:此部分为零基础入门金融风控的 Task5 模型融合部分,欢迎大家后续多多交流。 赛题:零基础入门数据挖掘 - 零基础入门金融风控之贷款违约预测 项目地址:https://github.com/datawhalechina/team-learning-data-mining/tree/master/FinancialRiskControl
致Great
2020/10/10
9830
贷款违约预测-Task5 模型融合
【机器学习-无监督学习】聚类
  本文开始我们讲解无监督学习算法。在之前的文章中,我们给模型的任务通常是找到样本
Francek Chen
2025/01/22
3000
【机器学习-无监督学习】聚类
快速入门Python机器学习(五)
Sklearn类的线性回归以sklearn.linear_model.LinearRegression为基础,以sklearn.linear_model.Ridge(岭回归)、sklearn.linear_model.Lasso(套索回归)和sklearn.linear_model.ElasticNet(弹性网络)为优化。
顾翔
2022/05/22
5360
快速入门Python机器学习(五)
相关推荐
基于MLxtend绘制分类模型的决策边界
更多 >
LV.1
这个人很懒,什么都没有留下~
目录
  • 简介
  • 本教程主要内容如下:
  • Markdown-Wechat整体体验
  • 图片和云图床
    • 关于图片
    • 关于云图床
  • 初识css
  • 你要知到的
  • 全局样式自定义
  • 引用块样式自定义
  • 段落样式自定义
  • 粗体、斜体、删除线
  • 分隔线样式自定义
  • 行内代码样式自定义
  • 代码块样式自定义
  • 标题样式自定义
    • 标题酷酷的改进
    • 标题首字突出的改进
    • 标题上下边框的改进
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档