那些开源静态网站框架,快来了解一下

article/2025/11/6 22:52:17

前言

“ 都2022年了,不会还有人没用过静态网站框架吧 ”。看到这句话,很多人不禁会想:网站听过,框架听过,但是静态网站框架我怎么没听过?确实,在没接触Vuepress这类静态网站之前,我也没听说过这类东西,但是了解之后发现很有意思。接下来带大家来认识一下这些静态网站框架。

我会把有相同特征的框架放在一起来介绍。

Vuepress && Publii && Gatsby

这三种都是基于VueReact使用的静态网站框架。

Vuepress

首先来介绍一下 Vuepress,这是我第一次接触的网站框架。之所以能了解到它还要从我的一个朋友说起,那时候他搭建了一个静态博客,就是用Vuepress写的,当时我还并不知道这是什么东西,所以他就把他写的教程文章推给我看了。也就是通过这篇文章让我打开了静态网站框架的大门。

Vuepress是由Vue支持的静态网站生成工具,Vue大家都知道或者使用过吧,一种轻量级且好用的框架,因为Vue上手起来很简单,所以Vuepress使用起来也不难。因此,如果大家有一点点编程基础,都可以很好地使用Vuepress,因为它真的对新手很友好。如果想快速上手搭建一个静态的博客网站来简单记录记录笔记或者文章,选择Vuepress就对了。

我接触了Vuepress之后,也学着搭建了一个博客,用来记录笔记。怎么说呢,Vuepress 搭建博客确实很轻松,对新手很友好,这是我的亲身体验。

Publii

Publii是一款基于桌面的静态且开源的CMS框架,和Vuepress一样,适用于初学者和开发者快速建立一个安全、快速、时尚的静态网站。它能使生成一个静态网站变得很容易。它是用Electron 和 Vue构建的。Electron是一款桌面端应用框架,Vue是构建用户界面的框架,因此用它来生成一个简单的静态网站也是很好的选择。

Gatsby

Gatsby是一个越来越流行的开源网站生成框架。它使用React来生成快速、界面优美的网站。前面提到的Vuepress则是使用Vue来生成网站的。因此一个是基于Vue框架,一个是基于React框架。

什么是Gatsby? 官方介绍为Blazing-fast static site generator for React(基于React的超快静态站点生成器),它的网络速度是超快的。由于它是使用React来生成网站的,因此我们可以在静态网站的实现方式上利用到React的组件化思想或者React其他的相关方式。因此,喜欢使用React框架的朋友可以尝试一下Gatsby

除此之外,它也可以提供很多插件和主题,使得搭建的网站更丰富。

Hexo && Jekyll

这两种都是其他语言的静态网站框架。

Hexo

Hexo是一个快速、简洁且高效的网站框架,我们不仅可以用它搭建相当快速的网站,还可以利用它自身提供的丰富的主题和插件来生成炫酷的网页。它有很多靓丽的主题,能给有时候平平无奇的静态网页增添几分色彩(这一点和Gatsby很像)。另外,它还可以根据用户的需求提供了强大的API来扩展功能。我们在网上看到的很多博主的炫酷博客网站大部分都是用Hexo来实现的。

Hexo我也使用过,但是失败了,对它的使用掌握不够。但是如果以后还有机会接触 Hexo的话,还会选择学习它,因为虽然它相比较于 Vuepress没那么容易上手,但是它的功能会更全面更系统。

Jekyll

Jekyll是最受欢迎的开源静态生成工具之一。它利用Markdown、HTML 和 CSS来生成静态的网页文件,这些都是很常见的前端知识,但是它能实现的功能可不少。它支持自定义地址、博客分类、页面、文章以及自定义的布局设计。如果要搭建一个零广告的博客网站,它是个很好的选择。

Hugo

Hugo之所以我把它单独拎出来介绍,是因为它和最近几年很火的Go语言有着很大的关系。

Hugo是另一个很受欢迎的用于搭建静态网站的开源框架。从名字上可以猜出,它和Go语言有着联系,就和从Vuepress名称上可以看出,会和Vue有关。没错,Hugo就是用Go语言写的。

它运行速度快、使用简单、可靠性高,最大的特点就是简洁。它提供了很多高级的主题,并且还提供了一些有用的快捷方式来帮助我们更好地搭建网站。如果要写一个全面的博客网站,它是一个不错的选择。

总结

文章中罗列了我这段时间所了解到的一些常见的开源静态网站框架,或者说是网站生成工具,实际上还有很多不同的静态网站框架,比如Primo,感兴趣的朋友可以去看看。

这里面我使用过 VuepressHexo,两者各有各的优势吧,对于新手小伙伴而言,我更推荐Vuepress,对于追求更全面的功能的小伙伴而言,Hexo则是一个更好的选择。除此之外,其他框架也各有各的优势,都可以尝试。

最后,这里面没有你使用过的框架,可以在评论中告诉我 ღ( ´・ᴗ・` )

最后

最近还整理一份JavaScript与ES的笔记,一共25个重要的知识点,对每个知识点都进行了讲解和分析。能帮你快速掌握JavaScript与ES的相关知识,提升工作效率。



有需要的小伙伴,可以点击下方卡片领取,无偿分享


http://chatgpt.dhexx.cn/article/NLBZc9Xj.shtml

相关文章

林轩田机器学习基石-Notes

1.2 whats is machine learning 考虑使用机器学习,相应问题应满足3要素: 问题具有某种特定的模式 pattern问题不好用传统编码的形式解决 program有较为充足的训练数据 data

机器学习基石 7.4 Interpreting VC Dimension

文章目录 VC Bound Rephrase: Penalty for Model ComplexityTHE VC MessageVC Bound Rephrase: Sample ComplexityLooseness of VC BoundFun Time VC Bound Rephrase: Penalty for Model Complexity VC Bound: 改述:好事情发生(GOOD&#xf…

机器学习基石(一):什么是机器学习

一、文字定义 机器学习:从data出发,最终目标是提高可以衡量的某方面表现。 可以称为机器学习的话,这个任务必须有如下三点: 必然有某种潜在规律可以学习 例:预测下一次打喷嚏的时刻是奇数还是偶数,这个事情…

1)机器学习基石笔记Lecture1:The Learning Problem

网上关于机器学习的课程有很多,其中最著名的是吴恩达老师的课程,最近又发现了NTU林轩田老师的《机器学习基石》课程,这门课也很好。课程总共分为4部分,总共分为16节课,今天来记录第一节课。 When Can Machines Learn?…

林轩田机器学习基石笔记14:Validation

0. 前言 之前的课程讲解了为了避免overfitting,可以使用regularization方法来解决。在之前的 Ein E i n 上加上一个regularizer,生成 Eaug E a u g ,选择合适的 λ λ 将其最小化,通过减小模型复杂度来增加泛化能力。今天将会介绍…

[林轩田]机器学习基石(三)

Lecture 3 Types Of Learning 学习的类型 ppt 3.1 Learning with Different Output Space Y Y 根据不同的输出空间学习分类分析:二元分类、多元分类 回归分析:输出是实数 结构化学习 3.2 Learning with Different Data Label yn" role="presentation" styl…

机器学习基石第十三讲笔记

Lecture 13: Hazard of Overfitting 过拟合的危险 13-1 什么是过拟合 失败的一般化:low Ein,high Eout。 VC维很大的时候,会造成过拟合。 VC维太小的时候,会造成欠拟合。 造成过拟合的原因:过大的VC维&#xff0c…

《机器学习基石》笔记:第一讲

林轩田老师的《机器学习基石》和《机器学习技法》两门课程非常经典,从哲学原理讲到算法核心,深入浅出,非常详细。但存在两个问题: 1.林老师是台湾(省)人,很多舶来品词语的翻译和大陆不同&#…

机器学习基石 5.4 Break Point

文章目录 1. The Four Growth Functions2. Break Point of $\mathcal{H}$3. The Four Break Points4. Fun Time5. Summary 1. The Four Growth Functions 目前已知的4种成长函数: 如果成长函数是一个多项式(polynomial),那么右侧…

机器学习基石:PLA算法代码实现

一、前言 本篇是面向机器学习基石第一次作业而言。 15-20题都是需要编程实现才能正确做出选择。 前面14个选择题,我觉得题目出得并不好。这里就不再多说。主要面向最后的LPA和pocket算法的实现。 代码对应的gitee地址 二、PLA算法实现 数据集中每个样本都是的…

机器学习基石——作业2解答

机器学习基石——作业2解答 这里的 μ 指的是某个h(x)≈f(x),对应的 Eout(h) 。其中目标函数 f(x) 是确定性的,没有噪声干扰。如果加上噪声,目标函数变为课中讲的概率分布 P(y│x) ,表示为 P(y│x){λ1−λyf(x)otherwize \begi…

台湾大学林轩田机器学习基石课程学习笔记3 -- Types of Learning

红色石头的个人网站:redstonewill.com 上节课我们主要介绍了解决线性分类问题的一个简单的方法:PLA。PLA能够在平面中选择一条直线将样本数据完全正确分类。而对于线性不可分的情况,可以使用Pocket Algorithm来处理。本节课将主要介绍一下机器…

林軒田《机器学习基石》课程总结

最近发布了一系列台湾大学资讯工程系林軒田(Hsuan-Tien Lin)教授开设的《机器学习基石》的课程总结,分为4个部分,点击标题可查看: 机器什么时候能够学习?(When Can Machines Learn?…

台大林轩田《机器学习基石》:作业三python实现

台大林轩田《机器学习基石》:作业一python实现 台大林轩田《机器学习基石》:作业二python实现 台大林轩田《机器学习基石》:作业三python实现 台大林轩田《机器学习基石》:作业四python实现 完整代码: https://github…

机器学习基石系列三

课程关联与可学习 核心问题 上界限制 增长上限 上界证明(不太懂) - step three

林轩田 《机器学习基石》学习笔记

参考资料: 除了redstone的笔记较好之外,还有豆瓣的https://www.douban.com/doulist/3381853/的笔记也比较好 -------------------------------------- 1. 什么时候机器可以学习? 2. 为什么要要使用机器学习? 3. 机器怎么可以学习到…

【机器学习】机器学习基石-林轩田-1-机器学习介绍

机器学习基石-1-机器学习介绍 本节内容What is Machine Learning?What is skill?Why use machine learning?When use machine learning?Key Essence of Machine LearningFun TimeApplications of Machine LearningComponents of Machine Learning相关术语Leanin…

机器学习基石 作业0

机器学习基石 作业0 1 Probability and Statistics2 Linear Algebra3 Caculus网上没找到作业0的答案,这是自己做的版本,有一些可能会有错误,欢迎讨论。 1 Probability and Statistics 用数学归纳法。N=1时满足,假定N=n满足,当N=n+1同样满足。得证。 10个挑4个正面 C 10 4…

机器学习基石 作业三

机器学习基石 作业三 代入计算 线性回归得到的映射函数 H H H的性质问题。显然映射多次与映射一次效果一样。其它的可以根据 H H H的性质,秩为d+1,显然不可逆。特征值的部分不是非常清楚,大概是根据 I − H I-H I−H的迹等于 N − ( d + 1 ) N-(d+1) N−(d+1)得到的。3. PLA…

机器学习基石笔记

文章目录 一. 机器学习什么时候用二. 机器学习的基本流程三. 什么是机器学习四. 机器学习的可行性NFL定理从统计学中找到可行的方法统计学与机器学习产生联系 一. 机器学习什么时候用 事物本身存在某种潜在规律某些问题难以使用普通编程解决有大量的数据样本可供使用 二. 机器…