EnTT项目中的组(Group)和视图(View)封装实践
2025-05-21 03:49:32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
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
Spark-Prover-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
最新内容推荐
PCDViewer-4.9.0-Ubuntu20.04:专业点云可视化与编辑工具全面解析 Qt控件CSS样式实例大全 - 打造现代化GUI界面的终极指南 基恩士LJ-X8000A开发版SDK样本程序全面指南 - 工业激光轮廓仪开发利器 海能达HP680CPS-V2.0.01.004chs写频软件:专业对讲机配置管理利器 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南 IK分词器elasticsearch-analysis-ik-7.17.16:中文文本分析的最佳解决方案 ONVIF设备模拟器:开发测试必备的智能安防仿真工具 Python开发者的macOS终极指南:VSCode安装配置全攻略 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南 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
项目优选
收起
deepin linux kernel
C
24
7
暂无简介
Dart
614
138
Ascend Extension for PyTorch
Python
163
183
React Native鸿蒙化仓库
JavaScript
240
314
仓颉编译器源码及 cjdb 调试工具。
C++
126
854
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
369
3.15 K
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
255
90
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
475
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++
644
255