为什么是静态博客

什么是静态博客

所谓静态博客,即通过工具,直接将作者所书写的博文编译成最终的htmlcssjs等文件。作者/博主,只需将生成的文件部署在静态server上面即可被在互联网中访问。

静态博客流程图

而传统的数据库型博客对服务器的要求就比较大了

传统型博客流程图

使用静态博客生成工具

静态博客生成工具生成网页的过程

用户通过浏览器访问服务器,直接就回获得已编译的静态资源。

用户直接通过浏览器获得静态资源

静态博客的好处

  1. 因为用户在浏览器上访问博客时,只用从服务器(如nginx)拿来编译好的静态资源即可,无需实时从数据库获取博文、图片、评论、访问量等资源,效率极高,打开网站的速度会非常快速 !
  2. 用户可以专心写博客不用管服务器维护等琐事,够省心。
  3. 部署方便,很多静态博客生成器都有一键部署的模块或脚本,可以省心部署到GitHub Pages等服务器上去,避免购买服务器的花费。
  4. 静态博客对SEO天生有优势,各大搜索引擎收录速度比较快。

由于是静态博客,所以自然无法支持原生评论,访问量统计,注册登录等功能。但是可以通过js在前端调用第三方评论工具,著名的解决方案也有很多;统计量也是有解决方案的,我们后面再细细讲述。

所以评论,代码高亮,数学公式,页面PV (page view) 统计等常用功能都是有的。

有哪些静态博客?

Hexo

  • 作者:tommy351

  • 主页https://hexo.io/

  • 简介: Hexo是一款基于node.js开发的博客程序,拥有简单的服务器,可用作简单的动态博客使用。也有生成器,生成的静态文件可以一键部署到Github Pages上,也可以部署到任意静态文件服务器上。它相当简约,并且可使用Markdown来编写文章!

hexo主页截图

Jekyll

  • 作者:Tom Preston-Werner,Nick 等

  • 主页https://jekyllrb.com/

  • 简介: Jekyll 是一种基于Ruby开发的、适用于博客的静态网站生成引擎。使用一个模板目录作为网站布局的基础框架,提供了模板、变量、插件等功能,最终生成一个完整的静态Web站点。即只要安装Jekyll的规范和结构,不需写html,便可生成网站。

Jekyll主页截图

Hugo

  • 作者bep, spf13

  • 主页https://gohugo.io/

  • 简介:Hugo是一个用Go语言编写的静态网站生成器,它使用起来非常简单,相对于Jekyll复杂的安装设置来说,Hugo仅需要一个二进制文件hugo(hugo.exe)即可轻松用于本地调试和生成静态页面。

Hugo主页截图

总结

以上所列举的三个是比较常用的静态博客生成器,还有其他大量如雨后春笋一样多的生成器,可以参考『参考资料[2]

作为一个博客,谁最了解博客,谁最在意博客的UI?那当然是前端的宝宝们了,所以hexo就是当仁不让的不二之选。

而且hexo插件丰富主题繁多,多到琳琅满目,应接不暇。而且使用的中国人超级多,很容易就能寻得帮助。

不仅是hexo群聊很多,某些主题也会建立自己的群聊

笔者使用过hugo,使用过程太过复杂,概念生僻;全程英文;遇到问题基本处于孤立无援状态;而且主题大部分都其丑无比,没有满意的效果。

反观hexo,使用相对而言简单很多,而且主题很漂亮炫酷。故此我们本教程选用hexo来作为静态博客生成器。

参考资料


  1. 1.What is a Static Website? http://nilclass.com/courses/what-is-a-static-website/
  2. 2.A definitive list of tools for generating static websites https://github.com/pinceladasdaweb/Static-Site-Generators

   转载规则


《为什么是静态博客》 Harbor Zeng 采用 知识共享署名 4.0 国际许可协议 进行许可。
 上一篇
新秀语言go:Golang入门语法知识点总结 新秀语言go:Golang入门语法知识点总结
为什么是Golang? “ Go将成为未来的服务器语言。“ - TobiasLütke,Shopify 因为他是Google开发的语言! 谷歌非常擅长创造最注重效率和用户友好性的产品。 GoRoutings在Java中创建新线程不是内存有效的。由于每个线程消耗大约1MB的内存堆大小,并且最终如果你开始旋转数千个线程,它们将对堆施加巨大压力并导致由于内存不足而导致关闭。此外,如果要在两个或多
2019-02-24
下一篇 
机器学习tensorflow-keras之如何优雅的从上次断掉的地方继续训练 机器学习tensorflow-keras之如何优雅的从上次断掉的地方继续训练
前言在机器学习的场景中,训练数据经常会特别大,训练可能要持续好几天甚至上周。如果中途机器断电或是发生意外不得不中断训练过程,那就得不偿失。 使用keras 高阶API,可以很简单的保存训练现场,可以让我们很容易的恢复到上次落下的地方继续训练。 思路存在两个巨大的问题: 继续训练会有这样一个影响,就是我们的学习率如果是不固定的,比如前100 epoch 学习率0.1,后100 epoch 学习率要
2019-02-17
  目录