使用jekyll搭建站点，用markdown编写POST，如果图片都存在本地，而且repo存在类似github等国外网站的时候，速度就会非常慢。这个时候，如果图片放在图床或者对象存储器上，就比较轻量化了。我有一个腾讯云账号，对象存储服务每个月有10G的免费流量。之前都是使用自己写的上传脚本上传图片，然后将回传的地址复制到markdown文件中。
如果直接在vscode粘贴图片的过程就实现了上传，那就比较好了。搜索了一下，发现tencent-cloud-cos-upload-image这个插件可以实现该功能。不过使用的过程中，发现了在windows平台使用过程中的一个小bug。默认在windows中，path.seq为\符号，但是这个符号在cos中会被转移成文件名的一部分，导致无法正常上传到目标文件夹中。这个时候只能修改插件的代码了。
如上图所示，打开cos.js文件夹，增加红色方框处的代码，将path.seq从\更改成/，这样cos存储服务器可以正确识别路径，可以正确将图片文件上传到目标路径下了。
安装了anaconda之后，有时安装扩展包的时候，可能出现如下的权限错误：
The current user does not have write permissions to the target environment
这个错误代表当前用户没有访问anaconda文件夹的权限，一个临时的解决办法就是安装扩展的时候，使用包含了administrator权限的终端进行安装。另外一个方法就是修改anaconda的权限。
vscode-powertools是一款非常好用的vscode插件，可以用来自定义一些命令，菜单和按钮功能，而不必自己去开发插件。
安装的时候，直接去vscode中，搜索名称Power Tools的插件，点击安装即可。
在vscode的settings.json中插入类似的代码块即可定义命令（参考：https://github.com/egodigital/vscode-powertools/wiki/Commands）：
{
"ego.power-tools": {
"commands": {
"myCommand": {
"script": "my_command.js",
"button": {
"text": "Click here to start the command."
}
}
}
}
}
这里，myCommand这个键及其子对象，都是可以重复定义的，这样可以用来定义更多的命令。而对于my_command.js的位置，如果设置在C:\Users\<username>\.vscode-powertools是比较妥当的。
命令的运行实视settings.json中定义的不同而有不同的运行方式：（1）如果包含了Button的定义，则在状态栏就会存在相应的按钮；（2）如果包含了forFile或者forFolder的定义，则在SideBar中可以通过右键文件或者文件夹的而运行Excute Power Command菜单；（3）或者直接按下CTRL+SHIFT+P快捷键，输入PTC三个键，运行Power Tools: Commands命令，然后选中需要运行的命令即可。
使用Zotero软件可以非常方便的将一个文件夹中的数据转换成bib后缀的文件。而如果我们想要在jekyll中发布我们的论文列表，则需要转换成jekyll支持的比如yaml、json格式的数据。因此，我使用python脚本写了一个转换的脚本，暂且将转换过程设计的主要代码说明如下：
首先我们需要安装bibtexparser包，该包可以非常方便的加载bib文件，使用pandas将数据转换成Dataframe，就可以进行下一步处理了。
with open("./papers.bib", encoding='utf-8') as bibtex_file:
bib_database = bibtexparser.load(bibtex_file)
df = pd.DataFrame(bib_database.entries)
由于bib文件包含了一些冗余的信息，如果不是很想要，可以Copy一个Dataframe出来，然后选择目标字段。
# 由于df_sel后续需要执行赋值，因此必须是df的copy版本
df_sel = df.loc[:, ['author', 'title', 'booktitle', 'journaltitle', 'date', 'volume', 'number', 'pages', 'doi']].copy()
# 将null值复制为空字符串
df_sel.fillna('', inplace=True)
需要注意的是，必须使用loc索引以及copy函数，否则后面df_sel进行再次处理的时候会产生SettingwithCopy错误。
for k, v in df_sel.items():
if k == 'date':
df_sel[k] = df_sel[k].apply(lambda p: p.split('-')[0])
if k == 'author':
df_sel[k] = df_sel[k].apply(lambda p: re.sub(r'(Xing, [a-zA-Z-]+)', r"<u>\1</u>", p))
if k == 'pages':
df_sel[k] = df_sel[k].apply(lambda p: re.sub(r'[-]+', '-', p))
if k == 'title' or k == 'booktitle':
df_sel[k] = df_sel[k].apply(lambda p: re.sub(r'(\{|\}|\\)', '', p))
if k == 'journaltitle':
df_sel[k] = df_sel[k].apply(lambda p: re.sub(r'\\', '', p))
apply类似map函数，可以方便的将列数据当做数组进行处理。其中author列的操作主要是将当前作者的名字下划线处理。
js = df_sel.groupby('date').apply(lambda x: json.loads(x.to_json(orient='records'))).sort_index(ascending=False)
groupby之后，如果不apply，则每个date对应的是一个字数穿列表，使用apply之后就是一个json列表。
js.to_json('./papers.json', indent=4, force_ascii=False)
至此，一个按照年份分组的JSON格式的文献引用数据文件就生成了。
将该文件放在jekyll网站目录的_data文件夹中，就可以使用json格式的数据了，这些数据可以在markdown、html文件中使用，只需要使用liquid代码即可。下面是一个示例的格式化代码。
<h4>{{kp[0]}}</h4>
{% for paper in kp[1] %}
<li style="margin-bottom: 10px;line-height: 1.5em;">
{{paper.author}},
{% if paper.doi =="" %}
<i>{{paper.title}}</i>
{% else %}
<a href="https://doi.org/{{ paper.doi }}" target="_blank"><i>{{paper.title}}</i></a>
{% endif %}.
{{paper.journaltitle}}
{{paper.booktitle}},
{{paper.date||date: "%Y"}}.
<b>{{paper.volume}}</b>
{% if paper.number != "" %}
({{paper.number}})
{% endif %}: p{{paper.pages}}
</li>
{% endfor %}
{% endfor %}
如果展示Liquid模板内容，参考：https://www.jasongaylord.com/blog/2020/05/31/displaying-liquid-templates-in-jekyll-code-blocks。
使用python的requests包执行网络请求非常方便，可以便利地设置headers、cookies以及请求数据。根据多年使用requests包的经验，以及最近给一个客户的写的代码，下面总结出该包的最佳实践方式。
def read_header_file(header_path):
# 加载代码
if __name__ == '__main__':
s = requests.Session()
read_header_file(header_path)
# 执行请求，无论是get或者post，则无需再设置headers和cookies
s.get('<url>')
如果使用chrome浏览器，则按F12键后可以调出浏览器的开发工具，然后按照下图所示的方式可以获取到请求的headers和cookies，将其保存为一个文件。
如果对于cookies的要求细节比较多，那么可以在chrome浏览器中安装EditThisCookie插件，然后按照如下图的方式获取Json格式的cookies。
import pandas as pd
def read_header_file(header_path):
df = pd.read_csv(header_path, skiprows=1, skipfooter=1,
header=None, engine="python", sep=r"\s*'\s*", usecols=[1])
for _, r in df.iterrows():
v = r.values[0]
if 'cookie' in v.lower():
jc = v.split(': ', 1)
for kv in jc[1].split(';'):
s.cookies.update(dict([kv.split('=', 1)]))
else:
s.headers.update(dict([v.split(': ', 1)]))
其中header_path变量指的就是之前保存的bash格式的请求文件。
pandas中的read_csv函数非常强大，可以非常方便将一些没有结构化的数据转换成结构化数据。dict函数可以将类似[[a, b]]转换成字典。或者结合for...in...语句，将更多偶数的列表转换成字典。
# INPUT: a = [1, 2, 3, 4]
[dict([a[i:i+2]]) for i in range(0, len(a), 2)]
# OUTPUT: [{1: 2}, {3: 4}]