在Zola项目中实现Taxonomy按日期排序的方法
Zola是一个基于Rust的静态网站生成器,它提供了强大的内容管理和模板系统。在Zola中,Taxonomy(分类法)是一种组织内容的有效方式,但默认情况下Taxonomy条目是按照slug排序的。本文将介绍如何在Zola模板中实现Taxonomy按日期排序的功能。
默认Taxonomy排序行为
Zola的Taxonomy系统默认会按照slug对分类条目进行排序。这种排序方式对于简单的分类需求可能已经足够,但对于需要按时间顺序展示内容的场景就显得不够灵活。
在Zola的Rust代码中,TaxonomyTerm结构体定义了分类条目的基本属性,包括名称、slug、路径和包含的页面列表,但不包含日期字段。
实现按日期排序的方法
虽然Zola没有直接提供Taxonomy按日期排序的配置选项,但我们可以通过模板系统实现这一功能。具体来说,可以使用Tera模板引擎提供的sort过滤器对Taxonomy中的页面进行排序。
具体实现步骤
-
首先,在模板文件中找到处理Taxonomy条目的部分,通常是
templates/tags/single.html或类似的模板文件。 -
使用Tera的sort过滤器对Taxonomy中的页面按日期排序。Tera的sort过滤器可以按照指定的属性对数组进行排序。
-
在模板中,修改循环部分,添加排序逻辑:
{% for page in term.pages | sort(attribute="date") %}
{{ page_macros::page_listing(page=page) }}
{% endfor %}
这段代码会对Taxonomy中的页面按照它们的date属性进行升序排序。如果需要降序排序,可以添加reverse参数:
{% for page in term.pages | sort(attribute="date") | reverse %}
{{ page_macros::page_listing(page=page) }}
{% endfor %}
注意事项
-
这种方法只适用于不需要分页的情况。如果需要分页,排序可能会受到影响。
-
确保Taxonomy中的页面都有date属性,否则排序可能不会按预期工作。
-
这种排序是在模板渲染阶段进行的,而不是在内容生成阶段,因此对于大量页面可能会有性能影响。
通过这种方法,我们可以灵活地控制Taxonomy中内容的展示顺序,满足各种不同的内容组织需求。虽然这不是Zola的内置功能,但通过模板系统的强大功能,我们仍然可以实现这一需求。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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
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