一、简介#

Marked是一个用 JavaScript 编写的 Markdown 文本解析库。与remark相比,Marked 在生成抽象语法树上的可扩展性更强。若想将带有自定义语法的 Markdown 文本转换为 HTML,则 Marked 是不二之选。

截至撰写本文之日,Marked 的最新版本为 12.0.1。

二、基本使用#

1. 前置条件#

  • Node.js环境
  • 熟悉 JavaScript,最好也熟悉 TypeScript
  • 熟悉 HTML 与 Markdown

2. 使用样例#

Marked 库内导出了一个名为parse()的函数,调用该函数即可以默认的方式将传入的 Markdown 文本解析为 HTML 文本。

import { readFileSync } from "fs";
import { join } from "path";

// 需要安装 marked 依赖
import { parse } from "marked"; 

const markdown = readFileSync(join(__dirname, "test.md"), "utf-8");
const html = parse(markdown); 
console.log(html);

三、Marked 工作原理#

Marked 工作原理用一句话概述就是词法分析。首先,解析器(parser)根据默认定义的规则(rules,正则表达式),将 Markdown 文本按照先后顺序逐步解析为抽象语法树(AST);然后按照深度优先遍历的方式,渲染器(renderer)将每一个结点(token)渲染为 HTML 文本;最后将文本拼接,就可以得到转换后的 HTML 文本。

四、重写默认渲染#

Marked 支持重写默认解析与渲染。一般情况下,Marked 内置的解析器无需修改。若需要解析自定义 Markdown 语法,可以见下文的自定义扩展一节。重写默认解析由于需要深入理解 Marked 工作流程,将在源码浅析章节后再叙述。

若要重写默认渲染方式,则需要自行创建Marked类的实例(该类也被 Marked 库导出),或者调用默认实例的use()函数。

import { marked, Marked } from "marked";

import type { MarkedExtension } from "marked";

// 重写默认解析与渲染都应写在此处
const extension: MarkedExtension = {
    // ...
};

const a = new Marked(extension);
/**
 * 也可以使用以下代码添加扩展
 * marked.use(extension);
 */

MarkedExtension接口声明了renderer属性。该属性值应为一个对象,其可定义的属性如下:

const extension: MarkedExtension = {
    renderer: {
        /** 块级元素渲染 */
        // infostring 为 "```" 后的字符串,escaped 指示渲染时是否应转义
        code(code: string, infostring: string, escaped: boolean) {},
        blockquote(quote: string) {},
        // 渲染 Markdown 的内嵌 HTML,block 指示内嵌元素是否为块级的
        html(html: string, block: boolean) {},
        // 渲染标题,level 指示标题等级(如 <h3>)
        heading(text: string, level: number, raw: string) {},
        hr() {},
        list(body: string, ordered: boolean, start: number) {},
        listitem(text: string, task: boolean, checked: boolean) {},
        checkbox(checked: boolean) {},
        paragraph(text: string) {},
        table(header: string, body: string) {},
        tablerow(content: string) {},
        tablecell(content: string, flags: object) {},

        /** 行内元素渲染 */
        strong(text: string) {},
        em(text: string) {},
        codespan(code: string) {},
        br() {},
        del(text: string) {},
        link(href: string, title: string, text: string) {},
        image(href: string, title: string, text: string) {},
        text(text: string) {},
    },
};

请注意,上述函数必须返回string类型的值(即 HTML 文本),不可以返回Promise<string>。读者可根据自身需求,仅重写上述的部分函数。未被重写的函数,将保留默认值。

五、自定义扩展#

重写默认渲染有其局限性,例如只能在默认解析的框架下改变解析结果,无法解析自定义语法。此时,要么重写默认解析,要么添加自定义扩展。

MarkedExtension接口声明了extensions属性,该属性为数组,位于其中的元素大致需要定义如下属性:

type TokenizerAndRendererExtension = {
    // 唯一标识,不可有重复
    name: string;
    // 是块级扩展还是行内扩展,块级优先级更高
    level: "block" | "inline";
    // 用于提示 Marked 距离下一个符合语法规则的字符串还有多少字符,不定义也可
    start?: TokenizerStartFunction;
    // 解析函数,将传入的文本解析为抽象语法树的结点(token)
    tokenizer?: TokenizerExtensionFunction;
    // 渲染函数,将传入的结点(token)渲染为 HTML 文本
    renderer?: RendererExtensionFunction;
    // 指定由解析函数返回的 token 中,哪些属性表示子结点。默认为 ["tokens"]
    childTokens?: string[];
};

Marked 在解析时,会不断删除已经被解析的字符串,直至不再有未被解析的字符串剩余。Marked 会按照优先级从高到低顺序(默认解析优先级低于自定义解析),依次调用tokenizer()函数。该函数若返回undefined,则说明当前字符串起始位置不符合此tokenizer()函数所适用的语法;否则应返回Tokens.Generic类型的对象。生成抽象语法树后,Marked 将会以深度优先的方式遍历所有结点,调用name属性值与结点的type属性值相同的renderer()函数。

一个自定义扩展样例如下:

import type { TokenizerAndRendererExtension } from "marked";

/**
 * 目标自定义语法
 *
 * { % horizon % }
 * ...(任意的块级元素,这些块级元素将被渲染为在同一排里)
 * { % end horizon % }
 */

/**
 * 正则表达式
 * 注意必须以 "^" 开头,否则即使当前字符串开头不符合语法规则,
 * 也可能因为后续有符合规则的语法,导致 Marked 判定为匹配成功。
 */
const horizonRegex =
    /{\s*%\s*horizon\s*%\s*}\s+(?<content>[\s\S]+?)\s+{\s*%\s*end\s+horizon\s*%\s*}/; 
/^{\s*%\s*horizon\s*%\s*}\s+(?<content>[\s\S]+?)\s+{\s*%\s*end\s+horizon\s*%\s*}/; 

export const horizon: TokenizerAndRendererExtension = {
    name: "horizon",
    level: "block",
    start(text) {
        // 指示距离符合规则的字符串还有多远
        return text.search(horizonRegex);
    },
    tokenizer(text) {
        const temp = horizonRegex.exec(text);
        if (
            temp === null ||
            temp[0] === void 0 ||
            temp.groups === void 0 ||
            temp.groups.content === void 0
        ) {
            // 解析不成功,代表字符串开头不符合语法
            return void 0;
        }
        return {
            type: "horizon",
            // 必需项,否则 Marked 无法删除已解析的字符串
            raw: temp[0],
            /**
             * this 对象下有 lexer 属性
             * blockTokens() 函数会将传入的字符串解析为 token 数组,
             * 当自定义语法存在嵌套结构时,可以使用。
             * 另,若内部元素仅可能为行内元素,则应使用 inlineTokens() 函数。
             */
            content: this.lexer.blockTokens(temp.groups.content),
        };
    },
    renderer(token) {
        // 传入的 token 不是当前自定义扩展的 token 时
        if (token.type !== "horizon" || token.content === void 0) return false;

        /**
         * 返回渲染好的字符串
         * 若有嵌套结构,可以调用 this 对象下 parser 属性的 parse() 函数,
         * 该函数可以将 token 数组渲染为字符串。
         * 另,若 token 数组内仅可能为行内元素,则应使用 parseInline() 函数。
         */
        return (
            `<div class="post-horizon">` +
            this.parser.parse(token.content) +
            `</div>`
        );
    },

    // 指定返回的 token 中,content 属性存放着子结点
    childTokens: ["content"],
};

六、遍历语法树#

在 Marked 完成抽象语法树构建后,在进入渲染阶段之前,使用者还有机会修改抽象语法树中的某些结点的值。MarkedExtension接口声明了walkTokens()函数,该函数的类型如下:

function walkTokens(token: Token): void | Promise<void>;

即,该函数可以是async的。对于使用shiki库渲染代码块的人来说,walkTokens()函数是唯一可行的 API,因为 shiki 仅支持异步,且 Marked 的默认渲染与自定义扩展均不允许异步。

walkTokens()函数是回调函数,Marked 在遍历每个结点时,会将该结点作为参数传入walkTokens()函数中。当参数的type属性值为"code"时,该结点为代码块结点。一个简单代码样例如下:

import { codeToHtml } from "shiki";

import type { MarkedExtension } from "marked";

export const extension: MarkedExtension = {
    async walkTokens(token: Token) {
        if (token.type === "code") {
            token.text = await codeToHtml(token.text, { lang: token.lang });
        }
    },
};

walkTokens()函数也可用于生成目录(TOC,Table Of Content),此处不作赘述。

七、源码浅析#

在 Marked 的Github仓库中,src文件夹下存放着其打包前的源码,其中,入口文件为marked.ts。其部分源码如下:

import { Marked } from "./Instance.ts";

const markedInstance = new Marked(); 

/**
 * 当 opt 中的 async 属性为 true 时,返回值类型将为 Promise<string>,
 * 否则为 string
 */
export function marked(
    src: string,
    opt?: MarkedOptions
): string | Promise<string> {
    return markedInstance.parse(src, opt); 
}

export const parse = marked; 

从上述代码可以看出,在调用默认解析时,触发的是Marked类下的parse()方法。该类定义在了Instance.ts文件下。其部分源码如下:

import { _Lexer } from "./Lexer.ts";
import { _Parser } from "./Parser.ts";

export class Marked {
    parse = this.#parseMarkdown(_Lexer.lex, _Parser.parse); 
    parseInline = this.#parseMarkdown(_Lexer.lexInline, _Parser.parseInline);

    Parser = _Parser;
    Lexer = _Lexer;

    /**
     * 省略 lexer 和 parser 的类型,
     * 因为它们既冗长,又不重要
     */
    #parseMarkdown(lexer, parser) {
        // 此处为了方便观察 Marked 工作流程,仅摘录异步工作流程
        if (opt.async) {
            return Promise.resolve(opt.hooks ? opt.hooks.preprocess(src) : src)
                .then((src) => lexer(src, opt)) 
                .then((tokens) =>
                    opt.hooks ? opt.hooks.processAllTokens(tokens) : tokens
                )
                .then((tokens) =>
                    opt.walkTokens
                        ? Promise.all(
                              this.walkTokens(tokens, opt.walkTokens)
                          ).then(() => tokens)
                        : tokens
                )
                .then((tokens) => parser(tokens, opt)) 
                .then((html) =>
                    opt.hooks ? opt.hooks.postprocess(html) : html
                )
                .catch(throwError);
        }
    }
}

因此,Marked 的完整工作流程应为:

  1. 触发预处理preprocess()钩子(hooks)
  2. 词法分析,将 Markdown 文本解析为抽象语法树
  3. 触发结点处理processAllTokens()钩子(hooks)
  4. 触发walkTokens()方法
  5. 将结点渲染为 HTML 文本
  6. 触发后处理postprocess()钩子(hooks)

其中,各个阶段触发的钩子函数应定义在MarkedExtension实例的hooks属性下。由于其相对简单,只需查看其类型和函数名即可了解该函数的用途,因此此处不做过多叙述。上述流程中最重要的就是第二步和第五步,分别用到了_Parser类下的lex()静态方法和_Lexer类下的parse()静态方法。

1. lex() 方法#

该方法定义在了Lexer.ts文件下,其部分源码如下:

import { _Tokenizer } from "./Tokenizer.ts";
import { _defaults } from "./defaults.ts";
import { block, inline } from "./rules.ts";

import type { Token, TokensList, Tokens } from "./Tokens.ts";
import type { MarkedOptions, TokenizerExtension } from "./MarkedOptions.ts";

export class _Lexer {
    tokens: TokensList;

    private tokenizer: _Tokenizer; 
    private inlineQueue: { src: string; tokens: Token[] }[];

    constructor(options?: MarkedOptions) {
        this.tokens = [] as unknown as TokensList;

        this.options = options || _defaults;
        this.options.tokenizer = this.options.tokenizer || new _Tokenizer(); 

        this.tokenizer = this.options.tokenizer; 
        this.tokenizer.options = this.options;
        this.tokenizer.lexer = this;
        this.inlineQueue = [];

        const rules = {
            block: block.normal,
            inline: inline.normal
        };

        this.tokenizer.rules = rules;
    }

    // 静态方法
    static lex(src: string, options?: MarkedOptions) {
        const lexer = new _Lexer(options);
        return lexer.lex(src);
    }

    // 成员方法
    lex(src: string) {
        src = src.replace(/\r\n|\r/g, "\n");

        this.blockTokens(src, this.tokens); 

        for (let i = 0; i <CodeGroup this.inlineQueue.length; i++) {
            const next = this.inlineQueue[i];
            this.inlineTokens(next.src, next.tokens); 
        }
        this.inlineQueue = [];

        return this.tokens;
    }

    blockTokens(src: string, tokens: Token[] = []) {
        /**
         * 先在自定义扩展内寻找可以匹配当前字符串开头的
         * this.options.extensions.block 是块级自定义扩展的 tokenizer() 函数的数组
         */
        while (src) {
            if (
                this.options.extensions &&
                this.options.extensions.block &&
                this.options.extensions.block.some(
                    (extTokenizer: TokenizerExtension["tokenizer"]) => {
                        if (
                            (token = extTokenizer.call(
                                { lexer: this },
                                src,
                                tokens
                            ))
                        ) {
                            // 删除已被匹配的字符串,这也是为什么 raw 属性是必需的
                            src = src.substring(token.raw.length); 
                            tokens.push(token); 
                            return true; 
                        }
                        return false;
                    }
                )
            ) {
                continue;
            }
        }

        /**
         * 若字符串开头不符合任何自定义扩展的规则,则使用默认解析
         * 此处仅摘录一例,默认标题解析
         */
        if ((token = this.tokenizer.heading(src))) {
            src = src.substring(token.raw.length);
            tokens.push(token);
            continue;
        }
    }
}

inlineTokens()方法与blockTokens()方法大同小异,上述源码样例中并未摘录。从上述源码中可以看出,在解析阶段,每次解析应当仅从当前字符串开头解析。Marked 首先会依次调用所有自定义扩展的tokenizer()函数。若其中有一例返回值不为undefined,则说明该自定义扩展可以解析 Marked 会删除已匹配的字符串(通过调用substring()方法,仅保留raw属性值之后的字符串);否则说明没有能解析当前字符串的自定义扩展,将使用默认的解析器。所以,在自定义扩展一节本文强调了用于匹配的正则表达式必须以"^"开头,否则就不符合 Marked 的工作流程。

Marked 的默认解析器是_Tokenizer类的实例。该类定义在Tokenizer.ts文件内,其部分源码如下:

import type { Rules } from "./rules.ts";

export class _Tokenizer {
    options: MarkedOptions;
    rules!: Rules; // set by the lexer
    lexer!: _Lexer; // set by the lexer

    /** 此处仅摘录一例,默认标题解析器的定义 */
    heading(src: string): Tokens.Heading | undefined {
        const cap = this.rules.block.heading.exec(src);
        if (cap) {
            let text = cap[2].trim();

            // remove trailing #s
            if (/#$/.test(text)) {
                const trimmed = rtrim(text, "#");
                if (this.options.pedantic) {
                    text = trimmed.trim();
                } else if (!trimmed || / $/.test(trimmed)) {
                    text = trimmed.trim();
                }
            }

            return {
                type: "heading",
                raw: cap[0],
                depth: cap[1].length,
                text,
                /** 调用 lexer 对象的 inline() 方法 ,解析其中的行内元素 */
                tokens: this.lexer.inline(text), 
            };
        }
    }
}

Marked 默认的解析器与自定义扩展中的tokenizer()大同小异,最大的区别就在于 Marked 把正则表达式统一放在了_Tokenizer类下的rules属性中,该属性为Rules类型。Rules类型定义在rules.ts文件内,该文件内含有巨量的正则表达式,此处不做摘录。

2. parse() 方法#

该方法定义在了Parser.ts文件下,其部分源码如下:

import { _Renderer } from "./Renderer.ts";

export class _Parser {
    options: MarkedOptions;
    renderer: _Renderer;
    constructor(options?: MarkedOptions) {
        this.options = options || _defaults;
        this.options.renderer = this.options.renderer || new _Renderer(); 

        this.renderer = this.options.renderer; 
        this.renderer.options = this.options;
    }

    // 静态方法
    static parse(tokens: Token[], options?: MarkedOptions) {
        const parser = new _Parser(options);
        return parser.parse(tokens);
    }

    // 成员方法
    parse(tokens: Token[], top = true): string {
        let out = ""; // 最终输出的文本

        for (let i = 0; i <CodeGroup tokens.length; i++) {
            const token = tokens[i];

            // 首先判定 token 类型是否由自定义扩展定义
            if (
                this.options.extensions &&
                this.options.extensions.renderers &&
                this.options.extensions.renderers[token.type]
            ) {
                const genericToken = token as Tokens.Generic;
                // 使用自定义扩展中的渲染
                const ret = this.options.extensions.renderers[
                    genericToken.type
                ].call({ parser: this }, genericToken);
                if (
                    ret !== false ||
                    ![
                        "space",
                        "hr",
                        "heading",
                        "code",
                        "table",
                        "blockquote",
                        "list",
                        "html",
                        "paragraph",
                        "text"
                    ].includes(genericToken.type)
                ) {
                    out += ret || "";
                    continue;
                }
            }

            // 默认渲染
            switch (token.type) {
                // 此处省略了其他 case
                case "heading": {
                    const headingToken = token as Tokens.Heading;
                    // 渲染
                    out += this.renderer.heading(
                        this.parseInline(headingToken.tokens), 
                        headingToken.depth, 
                        unescape(
                            this.parseInline(
                                headingToken.tokens,
                                this.textRenderer
                            )
                        )
                    );
                    continue;
                }
            }
        }

        return out;
    }
}

parse()成员方法内,Marked 会根据每个结点的type值,调用对应的renderer对象下的方法。renderer对象为_Renderer类的实例,该类定义在Renderer.ts文件下。该文件的内容与重写默认渲染时所需的内容相似,此处不做赘述。

八、重写默认解析#

由于本文撰写时,Marked 内部类型声明存在缺陷,导致MarkedExtension接口下的tokenizer属性中的所有函数的this对象均会指向tokenizer属性本身(其实在上述源代码中,调用时的this对象将会被call()函数修改为_Lexer类的实例)。但这只是类型声明的缺陷,不会影响正常使用,只需在重写默认解析时加上this对象的类型声明即可。一个简单的重写样例如下:

import type { Lexer, MarkedExtension } from "marked";

export const customTitle: MarkedExtension = {
    tokenizer: {
        // 此处仅重写了标题的默认解析,添加了 this 对象的类型声明
        heading(this: { lexer: Lexer }, src) {
            const match = /^(?<level>#+)\s*(?<text>[^\n]+)/.exec(src);

            if (
                match === null ||
                match.groups === void 0 ||
                match.groups.level === void 0 ||
                match.groups.text === void 0
            )
                return void 0;

            // 返回值的类型也应符合 Marked 的约束
            return {
                type: "heading",
                raw: match[0],
                depth: match.groups.level.length,
                text: match.groups.text,
                tokens: this.lexer.inline(match.groups.text),
            };
        },
    },
};