SDWebImage中GIF动画循环结束的回调处理
在iOS开发中使用SDWebImage加载GIF动画时,开发者经常需要知道动画何时播放完成或者循环结束。SDWebImage提供了多种方式来实现这一需求。
SDAnimatedImagePlayer的动画循环处理
SDWebImage的SDAnimatedImagePlayer类专门用于处理动画播放,其中包含了对动画循环的控制功能。通过animationLoopHandler属性,开发者可以设置一个回调闭包,当动画循环结束时会被调用。
这个回调闭包的类型是SDAnimatedImagePlayerAnimationLoopHandler,它会在每次动画循环结束时触发。对于无限循环的GIF,这个回调会多次触发;对于有限循环次数的GIF,回调会在最后一次循环结束时触发。
使用KVO观察循环次数
另一种方式是使用键值观察(KVO)来监控currentLoopCount属性。这个属性表示当前已经完成的循环次数。通过观察这个属性的变化,开发者可以精确地知道动画已经循环了多少次。
现代iOS开发中,KVO的使用已经变得更加简洁和安全。SDWebImage的SDAnimatedImagePlayer完全支持KVO,开发者可以方便地添加观察者来监听循环次数的变化。
实际应用场景
-
播放次数限制:当需要限制GIF动画只播放特定次数时,可以在循环回调中判断当前循环次数,达到指定次数后停止动画。
-
动画完成后的操作:比如在GIF播放完成后显示静态图片,或者执行其他界面更新操作。
-
性能优化:对于不需要无限循环的GIF,可以在适当的时候释放动画资源,减少内存占用。
实现示例
let imageView = SDAnimatedImageView()
let url = URL(string: "example.gif")!
imageView.sd_setImage(with: url) { (image, error, cacheType, url) in
if let player = imageView.player {
player.animationLoopHandler = { loopCount in
print("动画循环完成,当前循环次数: \(loopCount)")
if loopCount >= 3 { // 播放3次后停止
player.stopPlaying()
}
}
}
}
或者使用KVO方式:
imageView.player?.addObserver(self, forKeyPath: "currentLoopCount", options: [.new], context: nil)
override func observeValue(forKeyPath keyPath: String?, of object: Any?, change: [NSKeyValueChangeKey : Any]?, context: UnsafeMutableRawPointer?) {
if keyPath == "currentLoopCount", let loopCount = change?[.newKey] as? Int {
print("当前循环次数更新为: \(loopCount)")
}
}
注意事项
-
在使用KVO时,记得在适当的时候移除观察者,避免内存泄漏。
-
对于不同的SDWebImage版本,API可能会有细微差别,建议查看对应版本的文档。
-
在回调中执行耗时操作可能会影响动画的流畅性,建议将耗时操作放到主线程异步执行。
通过合理使用这些回调机制,开发者可以更好地控制GIF动画的播放行为,实现更复杂的交互效果和性能优化。
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