Marked 开源项目教程
2024-08-16 15:18:17作者:范靓好Udolf
项目介绍
Marked 是一个用于解析 Markdown 的低级编译器,旨在快速且轻量级地实现所有支持的 Markdown 风格和规范。它可以在浏览器、服务器或命令行接口(CLI)中运行。Marked 不使用缓存,也不会长时间阻塞,确保了高效的解析性能。
项目快速启动
安装
通过 npm 安装
npm install -g marked
在浏览器中使用
<!DOCTYPE html>
<html>
<head>
<meta charset="utf-8"/>
<title>Marked in the browser</title>
</head>
<body>
<div id="content"></div>
<script src="https://cdn.jsdelivr.net/npm/marked/marked.min.js"></script>
<script>
document.getElementById('content').innerHTML = marked.parse('# Marked in the browser\n\nRendered by **marked**');
</script>
</body>
</html>
使用 CLI
# 示例:使用标准输入
$ marked -o hello.html
hello world
^D
$ cat hello.html
<p>hello world</p>
应用案例和最佳实践
案例一:静态博客生成器
使用 Marked 可以轻松地将 Markdown 文件转换为 HTML,适用于构建静态博客。以下是一个简单的示例:
const fs = require('fs');
const marked = require('marked');
fs.readFile('post.md', 'utf8', (err, data) => {
if (err) throw err;
const html = marked.parse(data);
fs.writeFile('post.html', html, (err) => {
if (err) throw err;
console.log('Post has been converted to HTML!');
});
});
最佳实践
- 安全使用:由于 Marked 不 sanitize 输出 HTML,建议使用 DOMPurify 等库来处理输出,以防止 XSS 攻击。
const DOMPurify = require('dompurify');
const marked = require('marked');
const dirty = marked.parse(`<img src="x" onerror="alert('not happening')">`);
const clean = DOMPurify.sanitize(dirty);
典型生态项目
1. Gatsby
Gatsby 是一个基于 React 的静态站点生成器,可以使用 Marked 作为其 Markdown 解析器,提供快速且高效的静态站点构建体验。
2. Hexo
Hexo 是一个快速、简洁且高效的博客框架,支持使用 Marked 进行 Markdown 解析,适用于快速搭建个人博客。
3. VuePress
VuePress 是一个基于 Vue 的静态站点生成器,特别适合构建文档网站。它可以集成 Marked 来处理 Markdown 内容,提供流畅的阅读体验。
通过以上教程,您可以快速上手并深入了解 Marked 开源项目的使用和生态。希望这些内容对您有所帮助!
登录后查看全文
热门项目推荐
相关项目推荐
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出Python00
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
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
最新内容推荐
MQTT客户端软件源代码:物联网开发的强大工具与最佳实践指南 Visual Studio 2015企业版中文版下载安装完全指南 - 专业开发工具必备资源 操作系统概念第六版PDF资源全面指南:适用场景与使用教程 开源电子设计自动化利器:KiCad EDA全方位使用指南 海能达HP680CPS-V2.0.01.004chs写频软件:专业对讲机配置管理利器 CVE-2024-38077伪代码修复版EXP资源详解:Windows远程桌面授权服务问题利用指南 高效汇编代码注入器:跨平台x86/x64架构的终极解决方案 Python开发者的macOS终极指南:VSCode安装配置全攻略 小米Mini R1C MT7620爱快固件下载指南:解锁企业级网络管理功能 Solidcam后处理文件下载与使用完全指南:提升CNC编程效率的必备资源
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
297
2.64 K
Ascend Extension for PyTorch
Python
128
152
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++
608
191
React Native鸿蒙化仓库
JavaScript
228
307
暂无简介
Dart
591
128
🎉 (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
1.05 K
612
仓颉编译器源码及 cjdb 调试工具。
C++
122
496
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,专门为Transformer模型的训练和推理而设计。
C++
47
77
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
179
64
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.02 K
456