Style Dictionary 中 DTCG 格式的引用排序问题解析
问题背景
在 Style Dictionary 这个流行的设计令牌管理工具中,用户在使用 DTCG(Design Tokens Community Group)标准格式时遇到了一个关键问题:当设计令牌之间存在引用关系时,生成的 CSS/Sass 变量声明顺序出现了错误。
问题现象
在传统的 Style Dictionary 格式下,当定义如下设计令牌时:
{
"colors": {
"red": {
"value": "#ff0000",
"type": "color"
},
"primary": {
"value": "{colors.red}",
"type": "color"
}
}
}
生成的 Sass 变量输出顺序是正确的:
$colors-red: #ff0000;
$colors-primary: $colors-red;
但当切换到 DTCG 格式后:
{
"colors": {
"red": {
"$value": "#ff0000",
"$type": "color"
},
"primary": {
"$value": "{colors.red}",
"$type": "color"
}
}
}
生成的 Sass 变量顺序却出现了问题:
$colors-primary: $colors-red;
$colors-red: #ff0000;
这种错误的声明顺序会导致 CSS 预处理器报错,因为变量在被引用时尚未定义。
技术原因分析
问题的根源在于 Style Dictionary 的 sortByReference 函数实现。该函数负责确保被引用的变量先于引用它们的变量声明。在 DTCG 格式下,函数未能正确处理以 $ 为前缀的属性名(如 $value 替代传统的 value)。
具体来说,sortByReference 函数内部仍然硬编码检查 value 属性,而没有根据 usesDtcg 配置动态调整为检查 $value 属性。这导致函数无法正确识别 DTCG 格式下的引用关系,从而产生错误的排序结果。
解决方案探讨
临时解决方案
目前可以通过修改 sortByReference 函数,使其根据 usesDtcg 配置动态选择检查 value 或 $value 属性。这需要在函数调用时传递 usesDtcg 选项。
长期架构改进
从架构角度看,当前实现存在几个问题:
-
代码重复:整个代码库中大量存在
usesDtcg ? '$value' : 'value'这样的条件判断,增加了维护成本。 -
测试覆盖不足:DTCG 格式的测试用例较少,主要集中在
w3c-forward-compat.test.js文件中。 -
混合格式支持:当前架构同时支持传统格式和 DTCG 格式,增加了复杂性。
理想的长期解决方案是在未来主要版本(如 v5)中:
-
统一内部格式:在内部处理阶段统一转换为 DTCG 格式,消除格式判断逻辑。
-
移除传统格式支持:简化代码库,专注于单一标准。
-
增强测试覆盖:为 DTCG 格式建立全面的测试套件。
开发者建议
对于当前需要解决此问题的开发者:
-
可以暂时使用 PR 提供的修复方案。
-
在自定义格式或转换器中,确保正确处理 DTCG 格式的属性名。
-
避免在设计令牌文件中混合使用传统格式和 DTCG 格式。
-
关注 Style Dictionary 的未来版本更新,计划向纯 DTCG 格式迁移。
总结
这个排序问题揭示了 Style Dictionary 在支持多格式标准时面临的架构挑战。虽然当前可以通过补丁修复,但根本解决方案需要更彻底的架构调整。这也提醒我们,在设计工具时,对新兴标准的支持需要更全面的考虑,包括测试覆盖和内部数据表示的统一性。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C091
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00