GitHub Readme Streak Stats 项目中 `<picture>` 标签参数解析问题分析
在 GitHub Readme Streak Stats 项目的使用过程中,开发者发现了一个与 HTML5 <picture> 标签相关的参数解析问题。这个问题特别出现在使用 exclude_days 参数时,当该参数包含逗号分隔的多个值时,在 <picture> 标签中会出现解析异常。
问题现象
开发者尝试在 Markdown 文件中使用 <picture> 标签来实现根据用户系统主题偏好自动切换不同配色的统计图表。代码结构如下:
<picture>
<source media="(prefers-color-scheme: dark)" srcset="URL?exclude_days=Sat,Sun" />
<source media="(prefers-color-scheme: light)" srcset="URL?exclude_days=Sat,Sun" />
<img src="URL?exclude_days=Sat,Sun" />
</picture>
当使用这种写法时,exclude_days 参数似乎只能识别第一个值(Sat),而忽略了逗号后的第二个值(Sun)。相比之下,直接在 <img> 标签中使用相同的 URL 参数则能正常工作。
技术分析
这个问题实际上与 GitHub 的 Markdown 解析器对 <picture> 标签中 URL 参数的处理方式有关。在 HTML 规范中,逗号在 URL 查询参数中具有特殊含义,特别是在 srcset 属性中,它用于分隔不同分辨率或像素密度的图像源。
GitHub 的 Markdown 解析器在处理 <picture> 标签时,可能没有完全遵循标准的 URL 编码规范,导致逗号被错误地解析为分隔符而非参数值的一部分。
解决方案
针对这个问题,开发者可以采用 URL 编码的方式对逗号进行转义:
<picture>
<source media="(prefers-color-scheme: dark)" srcset="URL?exclude_days=Sat%2CSun" />
<source media="(prefers-color-scheme: light)" srcset="URL?exclude_days=Sat%2CSun" />
<img src="URL?exclude_days=Sat%2CSun" />
</picture>
其中 %2C 是逗号的 URL 编码形式。这种写法能够确保参数值被正确传递,不会被解析器误解。
最佳实践建议
-
始终对特殊字符进行编码:在 URL 参数中包含逗号、空格等特殊字符时,应该使用 URL 编码以确保参数传递的准确性。
-
测试不同环境:由于不同平台对 HTML5 特性的支持程度不同,建议在各种环境中测试
<picture>标签的行为。 -
考虑兼容性:如果目标环境对
<picture>标签支持不完善,可以考虑使用 JavaScript 方案或纯 CSS 媒体查询来实现类似功能。
这个问题虽然表现为 GitHub Readme Streak Stats 项目的使用问题,但实际上揭示了 Web 开发中 URL 参数处理和 HTML5 标签兼容性的常见挑战,值得开发者注意。
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