技术详解: 利用CI同步文章以及多端发布
技术详解: 利用CI同步文章以及多端发布
前言
前几天我更新了一篇简单技术总结之后，不少人都对里面的技术细节感兴趣，问我具体是怎么实现的?
于是为了给群友答疑解惑，接下来陆续会聊聊我自己的实现，这篇文章的这个方案已经运行了很多年了，很久没有更新，居然有一天会被人问到，也是比较欣喜的。当然，出于自身水平的限制，目前肯定有更好的方案，所以也欢迎提出建议和意见。
文章的同步
今天先来解答小伙伴第一个小问题，文章同步CI。
目前我实现的效果是，在一个 github 的私有仓库里，写文章，格式为 markdown，提交到云端后，就自动呈现在我的博客网站和博客小程序里。
同时，如果要对已经存在的文章，进行内容上的修改，或者隐藏和显示，所做的也只需要修改 markdown 文件内容，然后 git commit & push 就可以了。
实现的细节
思路
看到这个方案，下意识就想到了一种实现思路：即我们只需要上传文章内容到数据库，然后在 h5 和 weapp 应用里面，各自装一个适配的 markdown 渲染器，再各自调用后端接口，获取内容直接渲染呈现就行。
于是立即动手开干，先设计数据库，再实现一下后端，最后再写个前端，然后就实现完成了。在实现的时候就会发现，创建一篇文章，并保存到数据库是很容易的，流程无非就是 fs 读取一下内容，提交到 createArticle 接口就完成了。然而，这个方案并没有解决文章的修改和删除问题。
那么，如何让修改后的文章push到remote的时候，也让程序知道是哪一篇文章被修改了，从而进行相应的数据库操作呢？显然基于文章标题或者内容的查询都是不妥的，因为它们都有被修改的可能。
所以这种情况下，我们必须给每一篇文章，设置一个唯一的 UNIQUE ID，这个 UNIQUE ID 不必是数据主键，只需要给它一个唯一性的约束即可。
新的问题接踵而至，这个 UNIQUE ID 应该在哪里进行体现，从而让我们写的文件扫描读取脚本，在获取内容的同时获取到它呢？
文章元数据的定义和提取
这个问题第一眼，我们可能会想到这样的解决方案：这些信息可以体现在文件的名称上呀！比如我们写了一篇文章，文件名叫 如何让霸道富婆爱上我_20230302_520_true.md，我们约定文件名格式为：${title}_${date}_${unique_id}_${valid}.md。这样在扫描的时候，除了获取文件的内容之外，还可以获取到这些信息，再把它们插入到数据库表里，这样似乎就解决了修改和隐藏显示的问题了！
然而这个方案却有一个很大的缺陷，即扩展性很差。这体现在，一旦文件元数据(metadata)多起来，很有可能会出现这样的文件名: 论答辩自产自销造就新时代经济永动机_20230303_666_true_1_999_fuck_your.md，这种文件名称，本身就是一坨答辩。而且每次要修改元数据提交，还会被 git 认为是新创建的文件，显然不好。
所以，我们不应该从文件名提取内容，而应该把这些文章的元数据，放在 md 文件内容中的一块指定区域里，比如放在文章开头。再通过 json/yml 这种格式，来把文章的元数据体现出来。然后再用特殊的分隔线，分隔元数据区域和内容区域。这样我们就可以在代码里，对文件内容块进行各自的处理，元数据区域用 JSON.parse/ js-yaml parse 进行解析，内容区域以字符串形式处理。这有没有让你想到 *.vue 文件的 template，script 和 style 区域块？
当然这个markdown提取分离方式，我之前找的时候也发现 gray-matter 这个 npm 包可以满足这样的需求。所以推荐使用它，将它加入你的文件扫描脚本中，去提取和分离元数据。
这里也给出一个示例：
---yml
unique_id: 20220330
title: 'icebreaker的垃圾话学习指南'
date: 2022-03-30
description: '不得不学会的垃圾话'
authors:
- icebreaker
tags:
- 'Trash-talk'
---
# icebreaker的垃圾话学习指南
...{{content}}...
修改文章的优化
按照上面的做法，我们看似解决了 CRUD 的问题，但是实现后我们会发现，这个做法效率太低了。比如你现在有 1000 篇文章，你改了 500 篇，难道你要让服务端依次把这 1000 篇的文章所有的元数据和内容，一个一个从数据库里取出来，然后和你 git 仓库里的文章，一个字段，一个字段进行比对，然后再把有改动的记录下来，执行 UPDATE 语句？
试想一下，你写了一本 绘声绘色的小黄书 准备发布，好几万个字，发布完了，一分钟后违规通知接踵而至，你需要修改内容。你改完之后，提交发布了，服务器去数据库里，取出原先那巨大的字符串到内存里，再和你提交的另外一坨巨大字符串(也在内存里)做是否相等的判断，而且这个行为还要重复很多次。服务器回复:地铁老人手机.jpg。
显然效率太低了，我们需要更精准的做法。所以我们在进行修改文章的时候，不应该拉出这么多的数据去进行比对，而是要充分利用 文件摘要算法 进行效率上的优化。
所以这里我选择 MD5，来对所有的元数据和内容做一个摘要，并且在一开始创建文章的时候，就把 Digest(摘要)存入数据库中，这样在修改的时候，就只要比较摘要是否相等这个结果，相等就跳过，不相等就执行 UPDATE。
用代码实现一下，就是:
const klaw = require('klaw')
const matter = require('gray-matter')
const md5 = require('md5')
const normalizeNewline = require('normalize-newline')
async function getArticles () {
const articles = []
for await (const { path: klawPath, stats } of klaw(
path.resolve(__dirname, 'path/to/articles')
)) {
if (path.extname(klawPath) === '.md' && stats.isFile()) {
const str = await fs.readFile(klawPath, {
encoding: 'utf-8'
})
const { content, data, orig } = matter(normalizeNewline(str))
const digest = md5(orig)
articles.push(createArticle({
authors: data.authors,
// 数据库字段叫 md5 放的就是 digest 摘要
md5: digest,
content,
uniqueId: data.uniqueId,
description: data.description,
tags: data.tags,
title: data.title
}))
}
}
return articles
}
这里有一个坑点，为什么需要 normalizeNewline？这源自于 win 和 linux/unix 这种默认的 EOL(End of Line) 的不同(其实就是老生常谈的\r\n和\n问题)，这会导致在不同的系统上，文件摘要计算结果的不一致。所以我们需要预先 normalize 一下，这是使用 windows 会遇到的坑点之一，之二是 BOM。
接下来要做的，就是把这些文章结果进行分拣，分拣出哪些需要 insert,哪些需要 update 和 delete 的。这里可以在服务端写一个同步前的预检接口，返回数据库里文章数据，构建成一个这样结构: Map<uniqueId,md5>,这样就可以把所有本地的文章和这个 Map 进行执行策略上的映射：
- 假如这个
Map中，没有当前文章这个uniqueId, 则意味着这条数据要新增。 - 假如有这个
uniqueId，但是这个文章的valid标志位被设置为了false, 则意味着要softDelete或者置一个状态的标识位，让它不显示。 - 假如有这个
uniqueId，且数据是有效的(valid不为false)，但是md5 digest的值不相等，则意味着这条数据要更新。 - 否则直接跳过，什么都不做
以上便是本地和远程数据库同步的逻辑。
本地图片资源上传CDN并替换本地link
我们可以用 regex(正则)，或者 markdown ast 进行文件内容的匹配提取，匹配  成功后，获取后面的本地引用地址，fs 读取之后，上传到你的 oss,然后你的 oss 又关联了 cdn,那对应的 cdn 地址不就有了吗？本地替换一下就行。
推荐有闲钱的同学，可以这样搞。不想花钱的，可以去使用一些免费图床。
终于到了 CI 的部分了
没想到文章的 CRUD 就写了这么多的篇幅，终于到了 Github Action 的配置了，也很简单，核心就执行几段脚本，看我注释就知道都干了啥：
name: 'sync-article'
on:
# 允许手动触发
workflow_dispatch:
# 只有 main 分支的 content 下有 md 文件改动，才触发
push:
branches:
- main
paths:
- 'content/**/*.md'
jobs:
# 同步 job
sync:
runs-on: ubuntu-latest
steps:
- uses: actions/checkout@v3
- uses: actions/setup-node@v3
with:
# node_modules 缓存
node-version: 16
cache: yarn
cache-dependency-path: 'yarn.lock'
- run: yarn --production
# 扫描提取仓库文章，然后对数据库进行 CRUD 操作
- run: yarn sync
# (可选) 重新部署 website 上传到 oss 静态网站并刷新 cdn 缓存
- run: yarn website:deploy
最后来一些碎碎念
可能你看到我这篇文章，是在我的小程序上，其实我的小程序因为一些审核的原因，已经快一年没有更新了，同时我也关闭了评论系统，为了内容安全。
还有获取文章内容的接口，一定要用 token 保护好，入参也尽量使用uuid这种无法找到规律的字符串，不然很容易就被爬接口一下子全爬下来了（当然直接抓html还是可以的，你可以放一些垃圾在里面）。
还有，假如你使用的是那种，nextjs/nuxtjs 里一些基于文件系统的CMS npm包(比如@nuxtjs/content)，然后你还要开源的话，你应该把你的文章放入另外一个私有仓库，然后通过git submodule 把它添加进来，接着在运行和部署的时候，通过软连接，放入这类内容CMS包的指定文件夹中，这点 Github Action 也是能做到的。
- name: Checkout Self Repo
uses: actions/checkout@v3
with:
submodules: 'true'
token: ${{ secrets.PAT }}