Vitepress 中 Markdown 图片自定义渲染的注意事项
2025-05-15 19:00:11作者:魏侃纯Zoe
在 Vitepress 项目中,开发者经常需要对 Markdown 中的图片进行自定义渲染。一个常见的需求是获取图片的 alt 属性值并对其进行特殊处理。本文将深入探讨这一技术点,帮助开发者理解其中的原理和注意事项。
问题背景
当开发者尝试通过自定义渲染器获取图片的 alt 属性时,可能会遇到无法获取值的情况。这是因为 Markdown 解析器对不同类型的图片语法有不同的处理方式。
两种图片语法解析
1. 标准 Markdown 图片语法
对于标准的 Markdown 图片语法:

解析器会生成一个 image token,其中 alt 文本存储在 token.content 属性中。
2. HTML 图片标签
对于直接使用 HTML 的图片标签:
<img src="/page_214_1.png" alt="图 14-1" style="zoom:25%;" />
解析器会将其视为 html_block token,而不是 image token,因此无法通过常规的图片渲染器获取属性。
解决方案
对于标准 Markdown 图片
使用以下方式获取 alt 文本:
md.renderer.rules.image = (tokens, idx, options, env, self) => {
const token = tokens[idx];
const alt = token.content; // 注意这里是 content 而不是 attrGet('alt')
// ...其他处理逻辑
}
对于 HTML 图片标签
如果需要处理 HTML 图片标签,有以下几种方案:
- 使用正则表达式解析:从 html_block token 中提取 alt 属性
- 自定义 HTML 解析规则:扩展 markdown-it 的解析能力
- 统一使用标准 Markdown 语法:这是推荐的做法,可以保持一致性
最佳实践建议
- 在 Vitepress 项目中,尽量使用标准的 Markdown 图片语法
- 如果需要特殊样式,可以通过 CSS 类来实现,而不是直接使用 HTML
- 对于复杂的图片处理需求,考虑编写专门的插件来处理
总结
理解 Markdown 解析器对不同语法的处理方式是解决问题的关键。在 Vitepress 中自定义图片渲染时,开发者需要根据实际使用的语法选择合适的处理方式。标准 Markdown 语法通常能提供更好的兼容性和可维护性。
登录后查看全文
热门项目推荐
相关项目推荐
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
最新内容推荐
TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南 32位ECC纠错Verilog代码:提升FPGA系统可靠性的关键技术方案 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 全球GEOJSON地理数据资源下载指南 - 高效获取地理空间数据的完整解决方案 JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南 IK分词器elasticsearch-analysis-ik-7.17.16:中文文本分析的最佳解决方案 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 ONVIF设备模拟器:开发测试必备的智能安防仿真工具 STM32到GD32项目移植完全指南:从兼容性到实战技巧
项目优选
收起
deepin linux kernel
C
26
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
421
3.22 K
Ascend Extension for PyTorch
Python
230
261
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++
689
330
暂无简介
Dart
686
160
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
React Native鸿蒙化仓库
JavaScript
266
326
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
🎉 (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
1.22 K
666
仓颉编译器源码及 cjdb 调试工具。
C++
136
869