从Documenter.jl迁移到DocumenterVitepress.jl的完整指南
2025-06-12 08:20:33作者:范靓好Udolf
项目背景与迁移意义
DocumenterVitepress.jl是一个基于Vitepress的Julia文档生成工具,它结合了Documenter.jl的易用性和Vitepress的现代化前端特性。相比传统的Documenter.jl,DocumenterVitepress.jl提供了更美观的界面、更好的响应式设计和更丰富的主题定制选项。
迁移前的准备工作
在开始迁移前,请确保:
- 已安装最新版本的Julia环境
- 现有项目使用Documenter.jl生成文档
- 了解基本的npm/node.js操作(Vitepress基于这些技术)
详细迁移步骤
第一步:修改make.jl配置文件
原Documenter.jl的配置需要更新为DocumenterVitepress.jl的格式。主要变化包括:
- 引入DocumenterVitepress模块
- 修改format参数为DocumenterVitepress.MarkdownVitepress
- 更新deploydocs为DocumenterVitepress.deploydocs
using Example
using Documenter
using DocumenterVitepress # 新增引入
DocMeta.setdocmeta!(Example, :DocTestSetup, :(using Example); recursive=true)
makedocs(;
modules = [Example],
repo = Remotes.GitHub("ExampleOrg", "Example.jl"),
authors = "Jay-sanjay <landgejay124@gmail.com>, and contributors",
sitename = "Example.jl",
format = DocumenterVitepress.MarkdownVitepress( # 修改格式
repo = "https://github.com/ExampleOrg/Example.jl",
),
pages = [
"Home" => "index.md",
"Tutorials" => "tutorials.md",
"API" => "api.md",
"Contributing" => "contributing.md"
],
)
DocumenterVitepress.deploydocs(; # 使用DocumenterVitepress的部署方法
repo = "github.com/ExampleOrg/Example.jl",
target = "build", # Vitepress输出目录
devbranch = "main",
branch = "gh-pages",
push_preview = true,
)
第二步:环境配置与依赖安装
- 进入项目文档目录:
cd docs
- 启动Julia并激活环境:
julia> ]
pkg> activate .
- 添加必要的包:
pkg> add DocumenterVitepress Documenter
第三步:构建文档
- 运行make.jl构建文档:
julia> include("make.jl")
- 安装npm依赖(首次需要):
shell> npm i
此步骤会创建node_modules目录和package-lock.json文件。
第四步:启动开发服务器
julia> DocumenterVitepress.dev_docs("build")
成功启动后,文档将在http://localhost:5173/Example.jl/地址提供服务。
常见问题与解决方案
-
Vitepress服务器未正常关闭: 如果之前有运行中的Vitepress服务,需要先停止:
try run(`pkill -f vitepress`) catch end -
npm安装失败: 确保已安装node.js环境,版本建议16.x或以上。
-
文档样式异常: 检查是否有CSS冲突,Vitepress会覆盖部分默认样式。
迁移后的优势
完成迁移后,您的文档将获得:
- 现代化的UI界面
- 更好的移动端适配
- 内置的暗黑模式支持
- 更快的页面加载速度
- 更丰富的主题定制选项
后续维护建议
- 定期更新DocumenterVitepress.jl版本
- 利用Vitepress的插件系统增强文档功能
- 探索Vitepress的主题配置选项来自定义文档外观
通过以上步骤,您可以顺利将基于Documenter.jl的文档系统迁移到更现代的DocumenterVitepress.jl平台,为用户提供更好的文档浏览体验。
登录后查看全文
热门项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
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
暂无简介
Dart
672
157
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++
662
313
React Native鸿蒙化仓库
JavaScript
262
323
🔥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
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
135
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218