Umami跟踪脚本在Sphinx文档中的正确集成方式
2025-05-07 08:42:07作者:侯霆垣
在技术文档中集成网站分析工具是常见的需求,但需要注意正确的实现方式。本文以Umami分析工具与Sphinx文档系统的集成为例,说明常见的错误做法和正确解决方案。
问题背景
许多开发者使用Sphinx生成技术文档,并希望通过Umami来跟踪文档的访问情况。常见的错误做法是创建一个包含HTML脚本标签的JavaScript文件(如umami.js),然后在Sphinx配置中通过html_js_files加载这个文件。
错误实现分析
错误做法通常表现为:
- 创建一个umami.js文件,内容为HTML格式的script标签
- 在Sphinx的conf.py中设置html_js_files = ["umami.js"]
- 编译后发现脚本没有生效
这种做法的根本问题在于混淆了HTML和JavaScript的文件类型。html_js_files配置项期望加载的是纯JavaScript代码文件,而不是包含HTML标签的文本。
正确实现方案
方案一:使用html_static_path和模板注入
- 将Umami的跟踪脚本保存为真正的JavaScript文件
- 在Sphinx配置中设置html_static_path指向包含该文件的目录
- 通过模板系统确保脚本被正确注入到每个页面
方案二:直接修改模板文件
- 编辑Sphinx使用的模板文件(通常是layout.html)
- 在head部分直接添加Umami的跟踪代码
- 这种方法更直接,但可能需要在主题定制方面做更多工作
实现建议
对于大多数Sphinx项目,推荐以下步骤:
- 在文档源目录下创建_static文件夹(如果不存在)
- 将Umami提供的完整JavaScript跟踪代码保存为umami.js
- 在conf.py中配置:
html_static_path = ['_static'] html_js_files = ['umami.js'] - 确保umami.js文件只包含纯JavaScript代码,不包含任何HTML标签
注意事项
- 确保跟踪脚本的加载不会影响文档页面的性能
- 在开发环境中可以考虑禁用跟踪脚本
- 注意隐私保护相关法律法规的要求
- 对于ReadTheDocs托管的文档,还需要考虑其构建系统的特殊性
正确实现后,Umami将能够准确跟踪文档各个页面的访问情况,为文档改进提供数据支持。
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