TypeDoc自定义装饰器文档标题与路径方案
2025-05-28 06:48:59作者:胡唯隽
背景介绍
TypeDoc作为一款流行的TypeScript文档生成工具,在生成API文档时会将函数统一归类为"Function"类型。然而在实际开发中,我们经常需要区分普通函数和装饰器函数,特别是在大型项目中,这种区分对于文档的可读性和维护性非常重要。
问题分析
默认情况下,TypeDoc将所有函数都标记为"Function"类型,这导致装饰器函数在文档中无法直观地与普通函数区分开来。虽然可以通过@category标签进行分类,但这并不能改变每个装饰器函数页面的标题显示方式。
解决方案
我们可以通过开发TypeDoc插件来实现以下功能:
- 为装饰器函数显示"Decorator"前缀而非"Function"
- 将装饰器函数放在独立的路径下(如/decorators/)
核心实现思路
- 自定义标签定义:引入
@decorator作为修饰标签 - 自动分类:自动为带有装饰器标签的函数添加
@category Decorator分类 - 主题定制:重写默认主题的渲染逻辑,修改标题显示
- 路径定制:将装饰器函数输出到独立目录
关键技术点
标签处理
在插件初始化阶段,我们需要确保@decorator标签被正确识别为修饰标签,同时不会在文档中直接显示:
app.options.setValue("modifierTags", [...app.options.getValue("modifierTags"), DECORATOR_TAG]);
app.options.setValue("notRenderedTags", [...app.options.getValue("notRenderedTags"), DECORATOR_TAG]);
自动分类
通过监听TypeDoc的转换事件,自动为装饰器添加分类:
app.converter.on(Converter.EVENT_CREATE_SIGNATURE, (_context, sig) => {
if (sig.comment?.hasModifier(DECORATOR_TAG)) {
sig.comment.blockTags.push(new CommentTag("@category", [{ kind: "text", text: "Decorator" }]));
}
});
标题定制
通过重写主题渲染上下文,临时修改函数类型的显示文本:
this.internationalization.addTranslations(
this.options.getValue("lang"),
{
kind_function: "Decorator",
},
true,
);
路径定制
重写URL构建逻辑,将装饰器放在独立路径下:
const url = ["decorators", this.getFileName(reflection)].join("/");
urls.push(new UrlMapping(url, reflection, this.reflectionTemplate));
实现注意事项
- 版本兼容性:此方案基于TypeDoc 0.27版本实现,需要注意未来版本可能存在的API变更
- 性能考虑:频繁修改国际化文本可能会影响性能,在实际应用中应考虑优化
- 扩展性:此模式可以扩展支持其他特殊函数类型的定制化显示
实际应用效果
应用此方案后,文档系统将能够:
- 在索引页中通过分类区分装饰器和普通函数
- 为每个装饰器生成独立的文档页面,标题显示为"Decorator: 名称"
- 所有装饰器文档统一存放在/decorators/路径下
这种方案显著提升了文档的可读性和组织结构,特别适合大量使用装饰器的项目,如Angular应用或使用了大量装饰器的Node.js框架。
总结
通过TypeDoc的插件机制,我们可以灵活定制文档生成的各个方面。本文介绍的装饰器文档定制方案不仅解决了基本的显示问题,还通过路径隔离进一步提升了文档的组织结构。这种思路也可以应用于其他需要特殊处理的代码元素,为团队打造更符合实际需求的文档系统。
登录后查看全文
热门项目推荐
相关项目推荐
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-1.5暂无简介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
最新内容推荐
IEC61850建模工具及示例资源:智能电网自动化配置的完整指南 海康威视DS-7800N-K1固件升级包全面解析:提升安防设备性能的关键资源 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 Photoshop作业资源文件下载指南:全面提升设计学习效率的必备素材库 海能达HP680CPS-V2.0.01.004chs写频软件:专业对讲机配置管理利器 咖啡豆识别数据集:AI目标检测在咖啡质量控制中的革命性应用 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
182
196
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
648
265
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
274
94
暂无简介
Dart
623
140
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
380
3.41 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.1 K
621
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1