JavaScript 分享最近解决的小众需求:在浏览器里检测代码文本是什么语言

RaySong · 2024年11月21日 · 最后由 nightlife4u 回复于 2024年11月21日 · 249 次阅读

仓库:https://github.com/ray-d-song/guesslang-js
效果展示:https://ray-d-song.github.io/guesslang-js/

最近我正在完成一个叫 EchoRSS 的阅读器项目,有一个我非常想要的功能,就是拦截订阅中的外链跳转(阅读全文、引用啥的),直接在当前页内显示。

有一个问题是返回的 HTML 代码块失去了语言标注(或者原先在 pre 和 code 标签上就没有标注语言),这样没法用 shiki 或者 prism.js 之类的工具进行代码高亮。

我找到了三个检测代码语言的方案:

1. linguist

这是一个部署在服务器上的 Ruby 项目,Github 用它来检测仓库的语言构成,如果你需要极高的准确度且可以在服务端运算的话,这是最优解。

2. hljs

highlight.js 是一个非常知名的网页代码高亮库,也是唯一一个提供自动代码检测的高亮库。
原理很简单,就是枚举语言的关键词,用这些关键词去一个个匹配文本,最后看哪个的匹配度最高。

hljs 有四个问题。

  • 对代码长度的要求很高,大多数语言至少要 300 个字符才能达到比较合格的准确度。
  • 检测语言的部分并不是单独的模块,而是跟 parser、render 紧紧的耦合在一起,代码写的也非常命令式,很难提取有用的部分
  • 如果不提取检测模块,直接用 hljs 高亮,会丢失代码原有的一些格式(换行和缩进)
  • 需要进行大量的正则匹配,性能较差,又因为原因 2,没法放到 web worker 中运行。

3. guesslang

guesslang 是一个基于 tensorflow.js 的机器学习项目。
Microsoft 在 2021 年用 tensorflow.js 将这个项目移植到 node.js 上,为 vscode 增加了自动语言检测的功能。

一个越南小哥hieplpvip三年前又将这个项目移植到了浏览器上,不过也有三个问题:

  • 漏内存,疯狂漏内存...
  • 只支持 <script> 标签引入 umd 格式,不支持 esm,不支持 bundle
  • 同样又因为原因 2,不支持 web worker

而且这位小哥已经不再维护这个项目,3 月份有个支持 esm 的 feat request 一直没有回复。

所以我提取了 hljs 中的检测模块,又 fork guesslang-js 修复了上面那些问题,对比了一下两种方案,最终 guesslang 胜出,产物就是这个: https://github.com/ray-d-song/guesslang-js

貌似叨太多了,也许未来会有人需要这个,所以 po 一下。

如果有人了解 tensorflow.js 的话,希望可以推荐一些学习材料,我想进一步改为 web gpu 计算来提升效率。

RaySong 关于论坛如何避免 spam 提及了此话题。 11月22日 10:47
需要 登录 后方可回复, 如果你还没有账号请 注册新账号