Sanity.io 工具包用于Next.js的安装与使用指南
2024-09-24 13:57:42作者:冯梦姬Eddie
本指南将带你深入了解如何搭建并使用sanity-io/next-sanity这个开源项目,它是一套专为构建生产级、可编辑内容的Next.js应用程序而设计的工具箱。我们将分步解释其核心组件、目录结构、启动与配置流程。
1. 项目目录结构及介绍
sanity-io/next-sanity不是一个独立的应用程序,而是一个工具集,因此其GitHub仓库主要包含的是库代码而非完整的应用示例。然而,我们可以推断出使用此工具包创建的项目可能包含以下典型结构:
-
src/
- 这个目录通常存放你的Next.js应用的主要源代码。
- sanity/
- 包含与Sanity CMS相关的配置和查询文件。
- env.ts: 环境变量设置,如Sanity项目ID和数据集名称。
- lib/: 存放自定义的Sanity查询(如queries.ts)和客户端配置。
- queries.ts: 定义GROQ查询的文件。
- types: 由Sanity TypeGen生成的TypeScript类型文件。
- 包含与Sanity CMS相关的配置和查询文件。
- 其他Next.js标准目录结构,例如
pages/,components/等。
- sanity/
- 这个目录通常存放你的Next.js应用的主要源代码。
-
public/
- 静态资源存放目录。
-
package.json
- 包含项目依赖、脚本命令等信息。
-
.gitignore, pnpm-lock.yaml, package-lock.json, 或 yarn.lock
- 版本控制忽略文件和锁文件。
-
README.md
- 项目说明文档,包括快速入门步骤和其他重要说明。
-
sanity.config.ts
- 如果包含嵌入式Sanity Studio,该文件可能位于根目录,用于配置Sanity Studio的路径、项目ID等。
2. 项目的启动文件介绍
在使用sanity-io/next-sanity构建的项目中,并没有一个单独称为“启动文件”的概念,而是遵循Next.js的常规启动模式。启动过程通常通过以下命令完成:
# 开发环境启动
npm run dev
# 生产环境构建
npm run build
- 开发模式 (
npm run dev): 启动Next.js的热重载开发服务器。 - 构建模式 (
npm run build): 根据源码生成生产环境优化后的静态页面和服务器代码。
3. 项目的配置文件介绍
环境配置文件 (.env.local)
通常需要在项目根目录下创建或修改.env.local来包含Sanity的项目ID和数据集名称:
NEXT_PUBLIC_SANITY_PROJECT_ID=你的项目ID
NEXT_PUBLIC_SANITY_DATASET=你的数据集名称
Sanity配置文件 (sanity.config.ts)
如果你选择嵌入Sanity Studio到应用中,会有一个sanity.config.ts文件来定义Studio的配置,如项目ID、数据集以及任何定制的结构或插件配置。
// sanity.config.ts
import { defineConfig } from 'sanity';
import { structureBuilder } from 'sanity';
const projectId = process.env.NEXT_PUBLIC_SANITY_PROJECT_ID;
const dataset = process.env.NEXT_PUBLIC_SANITY_DATASET;
export default defineConfig({
basePath: '/studio', // 必须匹配你在路由中的Studio位置
projectId,
dataset,
plugins: [
structureBuilder().list('My Custom List').build(),
// ...其他可能的插件
],
});
Type Generation Configuration (sanity-typegen.json)
若使用Sanity TypeGen,会有一个配置文件指导类型生成过程,这有助于自动产生TypeScript类型:
{
"paths": ["src/**/*.ts", "src/**/*.tsx"],
"schema": "src/sanity/extract.json",
"generates": "src/sanity/types.ts"
}
这些配置确保了你的Next.js应用能够与Sanity CMS无缝集成,利用强类型系统提高开发效率。
登录后查看全文
热门项目推荐
相关项目推荐
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
222
238
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
671
156
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++
661
312
React Native鸿蒙化仓库
JavaScript
261
322
🔥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++
134
867
仓颉编程语言测试用例。
Cangjie
37
859
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217