结构化文本处理利器 unified 生态介绍前端

作者： imyzf

概述

Content as structured data.

—— unified 官网题词

unified 是一套文本处理相关的生态体系，结合其生态上的相关插件，能够处理 Markdown、HTML、自然语言等。而 unified 库本身又作为一个统一的执行接口，担任执行器的角色，调用其生态上相关的插件完成处理任务。
从 unified 官网上可以看到，目前 unified 的使用非常广泛，包括 Prettier、Node.js 官网、Gatsby 都运用了 unified 的能力完成了一些功能。

文章图片

图：unified 官网的使用举例
常见的使用场景包括：

基于 Markdown 生成 HTML 页面和站点
Markdown/HTML 内容加工处理
Markdown 语法检查、格式化
作为底层库，封装特定场景的工具

鉴于目前国内对 unified 体系的介绍文章非常少，本文将对 unified 的相关插件生态、工作原理作介绍，并对一些使用例子作解析，帮助读者了解 unified 体系的能力、原理和用途。
插件生态

文章图片

图：unified 生态相关插件
remark
remark 是 Markdown 相关的插件集合，提供了 Markdown 的解析、修改、转换为 HTML 等能力。
目前提供的一些常用插件：

remark-parse: 提供解析 Markdown 的能力
remark-gfm: 提供 GFM (GitHub flavored markdown) 支持
remark-lint: 提供 Markdown 的代码检查能力
remark-toc: 提供 Markdown 文档目录生成功能
remark-html 提供将 Markdown 编译为 HTML 的能力

完整的插件列表可以参考此处，大约有 150 多个插件可供选择。
我们可以在项目中使用这种便捷的方式调用 remark：

remark() // 一键初始化 Markdown 解析器 .processSync('# Hello, world!') // 同步处理文本

等价于如下方式：

unified() // 使用 unified 统一的接口 .use(remarkParse)// 使用 Markdown 解析器插件 .use(remarkStringify) // 使用 Markdown 文本序列化插件 .processSync('# Hello, world!')

文章图片

图：remark 使用和转换示例
另外需要注意的是，GitHub 上目前有一个同名项目 gnab/remark，其官网为 remarkjs.com，虽然也是与 Markdown 相关的工具，但其与 unified 生态下的 remark 没有任何关系，本文提到的 remark 的官网为 remark.js.org，通过搜索引擎搜索相关资料时需要避免混淆。
rehype
与 remark 类似，rehype 是 HTML 相关的插件集合，提供了 HTML 的格式化、压缩、文档生成等能力。
相比之下，rehype 的插件相对较少，只有 40 多个，详细的插件列表可以参考插件列表文档
同时，我们也可以使用rehype-remark和remark-rehype，实现两种语言的插件体系之间的互相转换。例如下面的例子，可以实现将 stdin 输入的 HTML 内容转换为 Markdown：

import { unified } from 'unified' import { stream } from 'unified-stream' import rehypeParse from 'rehype-parse' import rehypeRemark from 'rehype-remark' import remarkStringify from 'remark-stringify'const processor = unified() .use(rehypeParse)// 解析 HTML .use(rehypeRemark)// 转换到 remark 体系 .use(remarkStringify) // 将语法树转换为 Markdown 字符串process.stdin.pipe(stream(processor)).pipe(process.stdout)

其他
retext 和 redot 是两个比较小众的体系，使用量较少，开发也不如前述两个体系活跃，其用途如下：

retext: 提供自然语言的处理能力，包括拼写检查、错误修正、可读性检查等
redot: 提供 graphviz 的解析能力

另外在 Markdown 领域，有两个命名非 re 开头的体系，mdx 和 micromark，分别对应特定的 Markdown 使用场景：

mdx: 提供在 Markdown 文档中编写 JSX 的能力，实现在文档中引入各类组件，编写可交互的文档
micromark: 一个极简的 Markdown 转换库，支持少量扩展插件，适合简单的 Markdown 转 HTML 场景，同时 remark 也复用了 micromark 的解析能力

具体的信息可以查看项目文档了解，这里不再赘述。
工作原理 unified 的核心机制是基于 AST（abstract syntax trees，抽象语法树），在执行插件时 AST 会被传递给插件，可以对其进行各种处理。同时，也可以基于 AST 进行各种语言的转换，例如将 Markdown 文档解析后，转换为 HTML 进行处理，之后再转回 Markdown。

文章图片

图：unified 工作流程
例如我们可以在插件中遍历 AST，将所有 heading 节点打印出来：

module.exports = () => tree => { visit(tree, 'heading', node => { console.log(node) }) }

上面例子中的 visit 方法来自 unist-util-visit 工具，提供了遍历节点的功能。unified 使用了一种称为 unist 或者 UST 的 AST 标准，使得相同的工具能够在不同的语言上使用。例如针对 Markdown 和 HTML 语言的 AST，由于他们基于相同的标准，我们可以使用同样的 visit API 实现同样的功能：

visit(markdownAST, 'images', transformImages) visit(htmlAST, 'img', transformImgs)

场景举例接下来将列举一些基于 unified 生态的使用场景，帮助大家进一步了解其用途。
Node.js 官网
Node.js 官网主要在语法检查、文档构建两个方面使用了 unified：

使用 remark-cli 检查 Markdown 文档，参考其 package.json 中的脚本配置
使用 unified 进行文档构建，参考 generate.mjs 中的代码

dumi
dumi 是一款为组件开发场景定制的文档工具，其核心功能就是将 Markdown 文档转换为 HTML 页面。查看其源码，我们会发现其使用了 unified 作为转换器，在 remark/index.ts 中引入了 unified，并调用了一些列自定义的或者社区提供的插件进行处理。
由于使用了非常多的自定义插件，dumi 源码可以作为极佳的 unified 插件开发参考例子。例如参考 link.ts，可以了解如何将 Markdown 中的外部链接，通过修改 AST，在生成的页面中增加一个链接小图标，提示用户这是一个指向外部站点的链接。
文档源码：

[云音乐官网](https://music.163.com/)

转换为：

云音乐官网 ……

react-markdown
react-markdown 作为 remark 体系的一部分，是基于 unified 生态的上层封装，提供了一个能够渲染 Markdown 的 React 组件。在 React 框架中，比起直接使用 remark 将 Markdown 转换为 HTML 再使用 dangerouslySetInnerHTML 渲染，使用 react-markdown 更加安全可靠，使用方式也更加简单便捷。

文章图片

图：react-markdown 工作原理
上图展示了 react-markdown 的工作原理，流程如下：

通过 remark 将 Markdown 转换为对应的 AST —— mdast
使用 remark 插件对 mdast 进行处理
通过 remark-rehype 将 mdast 转换为 HTML 的 AST —— hast
使用 rehype 插件对 hast 进行处理
使用 React 组件渲染 hast 为 React 元素

以上整个流程其实是 Markdown 渲染为 HTML 的通用处理流程，我们在实现类似的库时，也可以作为参考。
关于作者 【结构化文本处理利器 unified 生态介绍】目前 unified 生态总共有 333 个开源项目（截至 2022.01.05），其核心开发者为 Titus Wormer。从 Wormer 的个人网站可以了解到，他来自荷兰，毕业于阿姆斯特丹应用科学大学，并且曾经担任过该大学的讲师。作为一名全职开源贡献者，总共维护了 535 多个项目，其中有 50% 的时间精力投入到 unified 项目上。能够凭一己之力，对开源社区作出如此大的贡献，非常值得敬佩。关于他是如何管理 unified 组织的，可以参考 unified collective 文档作进一步了解。