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。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00