EnTT项目中的组(Group)和视图(View)封装实践
2025-05-21 11:02:34作者:蔡丛锟
引言
在基于EnTT的实体组件系统(ECS)开发中,组(Group)和视图(View)是两种核心的数据访问模式。它们提供了高效的方式来遍历和操作具有特定组件组合的实体。然而,在实际项目开发中,我们经常需要对这些基础结构进行封装,以实现更高级的功能或满足特定架构需求。
为什么需要封装
在游戏引擎开发中,直接使用EnTT的原生组和视图可能会遇到以下挑战:
- 延迟初始化需求:某些情况下,我们需要先声明组对象,稍后才能初始化它
- 类型安全:希望提供更友好的接口来创建和使用组
- 系统集成:需要将组与自定义系统架构集成
- 生命周期管理:确保组的创建和销毁与系统生命周期一致
封装方案设计
基础接口设计
首先,我们定义一个基础查询接口类,作为所有具体查询类型的基类:
class VQueryBase {
public:
// 禁止堆分配
void* operator new(std::size_t) = delete;
void operator delete(void*) = delete;
VQueryBase(VSystem* owningSys) {
owningSys->RegisterQueryToSystem(this);
}
virtual ~VQueryBase() {
m_OwningSys->UnRegisterQueryFromSystem(this);
}
protected:
VSystem* m_OwningSys;
private:
virtual void InitializeQuery(VEntityManager& entity_manager) = 0;
friend VSystem;
};
这个基类主要处理与系统的注册关系,并确保查询对象不会被错误地分配在堆上。
类型别名定义
为了简化模板参数的使用,我们定义一些类型别名:
template<typename... Type>
using Exclude_T = entt::exclude_t<Type...>;
template<typename... Type>
using Get_T = entt::get_t<Type...>;
template<typename... Type>
using Owned_T = entt::owned_t<Type...>;
核心封装实现
核心的组封装实现涉及一些高级模板技巧:
// 辅助函数推导组类型
template<class... TOwneds, class... TGets, class... TExcludes>
constexpr auto get_group_type(
entt::owned_t<TOwneds...>, entt::get_t<TGets...>, entt::exclude_t<TExcludes...>) ->
entt::basic_group<
entt::owned_t<entt::registry::storage_for_type<TOwneds>...>,
entt::get_t<entt::registry::storage_for_type<TGets>...>,
entt::exclude_t<entt::registry::storage_for_type<TExcludes>...>>;
// 类型别名简化
template<class TOwned, class TGet, class TExclude>
using group_type_t = decltype(get_group_type(
std::declval<TOwned>(), std::declval<TGet>(), std::declval<TExclude>()));
// 主模板声明
template<class, class, class>
class VQuery;
// 具体实现
template<class TOwned, class TGet = Get_T<>, class TExclude = Exclude_T<>>
class VQuery : public VQueryBase {
public:
VQuery(VSystem* owningSys): VQueryBase(owningSys) {}
void InitializeQuery(VEntityManager& entity_manager) override {
m_Group = MakeGroup(entity_manager.GetNativeRegistry(), TOwned{});
}
auto& Group() {
return m_Group;
}
private:
group_type_t<TOwned, TGet, TExclude> m_Group;
template<class... TOwneds>
static auto MakeGroup(
entt::registry& entity_manager,
Owned_T<TOwneds...> i_owned) {
return entity_manager.group<TOwneds...>(TGet{}, TExclude{});
}
};
使用示例
在实际系统中使用封装后的组:
class VTransformSystem : public VSystem {
public:
void OnStartup(VEntityManager& manager) override;
void OnExecute(VEntityManager& manager, const VSystemExecutionContext& context) override;
// 其他成员函数...
VQuery<Owned_T<VTransformComponent>> m_TransformQuery = VQuery<Owned_T<VTransformComponent>>(this);
};
关键点解析
-
类型推导:通过
get_group_type辅助函数和group_type_t类型别名,我们能够正确推导出底层EnTT组的具体类型 -
延迟初始化:封装允许我们先创建查询对象,稍后在系统初始化时再实际创建EnTT组
-
类型安全:模板参数强制使用
Owned_T、Get_T和Exclude_T包装,确保类型正确性 -
生命周期管理:通过基类机制,确保查询对象与其所属系统生命周期一致
扩展思考
这种封装模式不仅适用于组,也可以类似地应用于视图(View)。在实际项目中,还可以进一步扩展:
- 添加缓存机制,避免频繁重建组
- 实现更复杂的查询组合逻辑
- 添加调试和性能分析功能
- 支持热重载时的查询更新
总结
通过合理的封装设计,我们可以在保持EnTT高性能特性的同时,获得更好的工程实践体验。这种封装既解决了延迟初始化的问题,又提供了更清晰的接口,同时与自定义引擎架构无缝集成。这种模式在复杂游戏引擎开发中特别有价值,能够显著提高代码的可维护性和可扩展性。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
最新内容推荐
STM32到GD32项目移植完全指南:从兼容性到实战技巧 JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 开源电子设计自动化利器:KiCad EDA全方位使用指南 网页设计期末大作业资源包 - 一站式解决方案助力高效完成项目 STDF-View解析查看软件:半导体测试数据分析的终极工具指南 Adobe Acrobat XI Pro PDF拼版插件:提升排版效率的专业利器 MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 Jetson TX2开发板官方资源完全指南:从入门到精通 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 ONVIF设备模拟器:开发测试必备的智能安防仿真工具
项目优选
收起
deepin linux kernel
C
24
9
暂无简介
Dart
669
155
Ascend Extension for PyTorch
Python
219
236
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
660
308
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.81 K
React Native鸿蒙化仓库
JavaScript
259
322
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.19 K
653
仓颉编程语言运行时与标准库。
Cangjie
141
878