Docusaurus博客按月分组实现方案
背景介绍
Docusaurus作为一款流行的静态网站生成器,其博客功能默认支持按年份分组文章。但在实际应用中,很多开发者希望实现更细粒度的文章分组方式,比如按月分组。本文将详细介绍如何在Docusaurus中实现博客文章按月分组的功能。
默认分组机制分析
Docusaurus的博客插件默认提供按年份分组的机制,这通过groupByYear配置项控制。在主题配置中,可以通过设置blog.sidebar.groupByYear为true来启用年份分组功能。这种分组方式对于文章数量较少的情况已经足够,但当博客文章数量较多时,按月分组能提供更好的内容组织和浏览体验。
实现按月分组的技术方案
要实现按月分组,我们需要对Docusaurus的博客侧边栏组件进行定制。以下是具体实现步骤:
-
组件替换:首先使用Docusaurus提供的swizzle命令替换默认的博客侧边栏组件
npx docusaurus swizzle @docusaurus/theme-classic BlogSidebar --eject -
安装依赖:添加日期处理库date-fns
npm install date-fns -
自定义分组逻辑:在替换后的组件中,移除原有的年份分组函数,实现新的按月分组逻辑:
import { format } from 'date-fns'; function groupBlogSidebarItemsByMonth(items) { const map = new Map(); items.forEach((item) => { const date = new Date(item.date); const monthYear = format(date, 'MMMM yyyy'); if (!map.has(monthYear)) { map.set(monthYear, []); } map.get(monthYear).push(item); }); return Array.from(map.entries()); } -
组件渲染调整:修改组件渲染逻辑,使用新的按月分组函数:
if (themeConfig.blog.sidebar.groupByYear) { const itemsByMonth = groupBlogSidebarItemsByMonth(items); return ( <> {itemsByMonth.map(([month, monthItems]) => ( <BlogSidebarYearGroup key={month} year={month} yearGroupHeadingClassName={yearGroupHeadingClassName}> <ListComponent items={monthItems} /> </BlogSidebarYearGroup> ))} </> ); }
实现原理详解
-
日期处理:使用date-fns库的format函数将日期格式化为"月份 年份"的形式,如"2024年11月"。
-
分组映射:通过Map数据结构建立月份到文章列表的映射关系,确保同月份的文章被归入同一组。
-
组件复用:虽然实现了按月分组,但仍然复用了原有的BlogSidebarYearGroup组件来渲染每个月份的分组,保持了UI风格的一致性。
-
条件渲染:保留了原有的
groupByYear配置检查,确保修改不会影响其他功能。
注意事项
-
性能考虑:对于大型博客,按月分组可能会产生较多分组项,建议评估是否需要分页或其他优化措施。
-
本地化支持:date-fns库支持多语言,如需显示中文月份名称,需要额外配置本地化设置。
-
排序问题:确保分组后的月份按时间倒序排列,可以在分组后对结果进行排序处理。
-
向后兼容:修改后的组件应保持与原有配置的兼容性,不影响不使用按月分组的场景。
扩展思考
这种组件定制方法不仅适用于按月分组,还可以扩展到其他分组维度,如按标签、按作者等。Docusaurus的swizzle机制为这类定制提供了便利,开发者可以根据实际需求灵活调整。
通过本文介绍的方法,开发者可以轻松实现Docusaurus博客的按月分组功能,提升博客内容的组织性和用户体验。这种定制方式展示了Docusaurus框架的良好扩展性,能够满足各种不同的内容展示需求。
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