Next.js Starter Medusa 项目中实现博客页面无区域码URL的解决方案
背景介绍
在使用Next.js Starter Medusa项目时,开发者可能会遇到一个常见的需求:希望保持博客页面使用简洁的URL(如domain.ltd/blog/my-post-title),而其他页面(如购物车、结账等)仍然保留区域码(如/es/cart、/fr/checkout)。这种需求源于多语言博客内容维护成本较高,许多企业可能只希望维护单一语言的博客内容。
技术挑战
默认情况下,Next.js Starter Medusa项目将所有页面都放在[countryCode]文件夹下,这会导致所有URL都包含区域码。如果简单地将博客页面移出该文件夹,会导致顶部导航栏的链接失效,因为导航组件依赖区域码来构建链接。
解决方案
1. 创建独立的博客布局
在/blog目录下创建一个新的layout.tsx文件,这个布局文件将使用标准的Next.js Link组件而非LocalizedClientLink组件。LocalizedClientLink组件需要区域码才能正常工作,而标准Link组件则不需要。
// 在/blog/layout.tsx中使用标准Link组件
import Link from 'next/link'
function BlogNav() {
return (
<nav>
<Link href="/search">搜索</Link>
{/* 其他导航链接 */}
</nav>
)
}
2. 修改中间件配置
需要编辑middleware.ts文件,使其忽略对/blog路径的处理。这样可以确保访问/blog路径时不会被重定向到包含区域码的URL。
// middleware.ts配置示例
export const config = {
matcher: [
/*
* 匹配所有请求路径,除了:
* - /blog相关路径
* - 其他需要排除的路径
*/
'/((?!blog|_next/static|_next/image|favicon.ico).*)'
]
}
3. 导航链接处理
在博客页面的导航中,可以使用简单的路径(如/search)而非包含区域码的路径。中间件会自动将用户重定向到正确的区域码路径(/[countryCode]/search)。这种设计既保持了博客页面的简洁URL,又确保了其他功能页面的多语言支持。
实现原理
这种解决方案利用了Next.js的路由系统和中间件机制:
-
布局隔离:通过为博客创建独立的布局,可以自定义导航组件的行为,避免对区域码的依赖。
-
中间件过滤:配置中间件忽略/blog路径,防止自动添加区域码。
-
智能重定向:对于其他功能页面,中间件仍然可以正常工作,确保用户被重定向到正确的区域版本。
注意事项
-
确保所有从博客页面指向功能页面的链接都使用相对路径(如/search),而非绝对路径(如/es/search)。
-
如果博客内容确实需要多语言支持,建议考虑使用Next.js内置的国际化路由功能,而非完全移除区域码。
-
测试所有导航链接在不同区域设置下的行为,确保用户体验一致。
总结
通过上述方法,开发者可以在Next.js Starter Medusa项目中实现博客页面使用简洁URL,同时保持其他功能页面的多语言支持。这种方案平衡了内容管理的便利性和用户体验的一致性,特别适合那些希望简化博客维护同时保留电商功能多语言支持的项目。
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