在conventional-changelog中扩展提交信息的技术实践
conventional-changelog是一个流行的生成变更日志的工具,它遵循约定式提交规范。在实际项目开发中,我们经常需要扩展默认的提交信息,比如添加GitHub用户登录名等额外信息。本文将详细介绍如何在conventional-changelog中实现这一需求。
问题背景
在Lerna-Lite项目中,开发者需要从GitHub GraphQL API获取提交信息,并将GitHub用户登录名添加到变更日志中。在conventional-changelog的旧版本中,可以通过修改writerOpts.commitPartial和transform函数来实现这一需求。但随着版本升级,提交对象变为不可变,原有的扩展方式不再适用。
技术实现方案
核心思路
- 保留原始transform函数的引用
- 执行原始transform函数获取处理后的提交对象
- 扩展提交对象,添加自定义属性
- 返回扩展后的提交对象
具体实现代码
// 获取预设配置
const preset = 'conventional-changelog-conventionalcommits';
const config = await getChangelogConfig(preset, rootPath);
// 覆盖writerOpts的transform函数
// 保留原始transform函数引用,先执行原始函数再执行自定义扩展
const originalTransform = config.writer?.transform;
writerOpts.transform = (commit, context, options) => {
// 执行原始transform函数
const transCommit = originalTransform?.(commit, context, options) || null;
// 添加自定义属性(如用户登录名)
if (transCommit) {
return { ...transCommit, userLogin: 'user1' };
}
return transCommit;
};
// 生成变更日志
const changelogStream = conventionalChangelogCore(
options,
context,
gitRawCommitsOpts,
undefined,
writerOpts
);
关键点解析
-
版本兼容性:conventional-changelog-writer v10存在不终止的问题,建议使用v11及以上版本。
-
transform函数位置:自定义transform函数需要设置在writerOpts(第三个参数)中,而不是conventionalChangelogCore的第一个参数。
-
执行顺序:必须先执行原始transform函数,再执行自定义扩展逻辑,确保预设的所有转换都已应用。
-
不可变对象处理:通过对象展开运算符(...)创建新对象,避免直接修改原始提交对象。
实际应用效果
通过上述方法,可以在变更日志中显示扩展后的提交信息,例如:
feat: 添加新功能 (@user1)
fix: 修复某个bug (@user2)
这种格式既保持了约定式提交的规范性,又增加了开发者识别信息,提高了变更日志的可读性和实用性。
总结
在conventional-changelog中扩展提交信息需要理解其处理流程和版本差异。关键在于正确处理transform函数的执行顺序和不可变对象的扩展方式。本文介绍的方法不仅适用于添加GitHub用户信息,也可以应用于其他需要扩展提交信息的场景,具有很好的通用性和实用性。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C051
MiniMax-M2.1从多语言软件开发自动化到复杂多步骤办公流程执行,MiniMax-M2.1 助力开发者构建下一代自主应用——全程保持完全透明、可控且易于获取。Python00
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C01
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
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
agent-studioopenJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力TSX0126
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