ADW Colors 项目主题创建指南
2025-07-10 13:38:36作者:齐添朝
前言
ADW Colors 是一个用于创建和管理 GTK 主题颜色的工具集,特别针对 GNOME 桌面环境的 Adwaita 主题风格。本文将详细介绍如何基于该项目创建自定义主题,帮助开发者快速上手主题开发工作。
环境准备
在开始创建主题前,需要确保开发环境已正确配置:
- 安装 Sass 编译器:
- 推荐使用
dart-sass编译器 - 可通过系统包管理器安装
- 或通过 Node.js 使用
npm install -g sass命令安装
- 推荐使用
提示:对于简单的颜色修改,也可以直接编辑 CSS 文件,无需编译步骤。
主题创建步骤
1. 创建主题目录结构
-
在
src/sass目录下创建新主题目录:mkdir -p src/sass/MY-THEME -
复制现有主题内容作为模板:
- 建议选择一个风格相近的现有主题作为基础
- 复制其全部内容到新创建的目录中
2. 配置主题颜色
主要颜色配置位于 settings/_palette.scss 文件中:
-
编辑基本色板:
- 修改
$base、$text、$primary等核心变量 - 大多数情况下只需修改此文件即可完成主题定制
- 修改
-
高级颜色配置(可选):
- 在
settings/_colors.scss中定义自定义颜色混合和色阶 - 使用 Sass 函数如
mix()、lighten()、darken()等创建颜色变体
- 在
-
命名颜色配置(可选):
- 在
_defaults.scss中添加自定义命名颜色 - 可参考官方 Adwaita 主题的默认颜色定义
- 在
3. 编译主题
完成编辑后,需要将 Sass 编译为 CSS:
-
使用项目提供的脚本编译:
cd scripts sh parse-sass.sh -
或使用自定义 Sass 编译命令:
sass src/sass/MY-THEME/gtk4-light.scss dist/MY-THEME/gtk4-light.css
4. 安装测试
编译完成后,运行安装脚本即可将主题添加到系统中进行测试。
高级定制指南
1. 抽象层配置
src/sass/abstracts 目录包含全局共享的 Sass 代码:
_variables.scss:全局变量定义_mixins.scss:可复用的样式混合_functions.scss:自定义 Sass 函数
这些文件会影响所有主题,修改时需谨慎。
2. 部件样式定制
部分主题包含 widgets 目录,用于定制特定 GTK 控件的样式:
- 使用
$toolkit变量区分 GTK3 和 GTK4 样式 - 创建新的部件样式文件后,需更新
_index.scss以包含新文件 - 部件样式应遵循 BEM 命名规范,确保样式隔离
3. 文件命名规范
主题文件需遵循特定命名约定:
-
基础主题:
gtk3-light.scssgtk4-light.scssgtk3-dark.scssgtk4-dark.scss
-
交通灯式标题栏按钮(macOS 风格):
titlebutton-traffic-gtk4-light.scss- 其他变体同理
安装脚本会自动识别符合这些命名模式的主题文件。
最佳实践
-
颜色系统设计:
- 建立统一的颜色层级系统
- 使用 Sass 变量和函数确保颜色一致性
- 考虑对比度和可访问性
-
主题变体管理:
- 使用
@mixin和@include共享基础样式 - 通过变量控制亮/暗主题切换
- 使用
-
测试策略:
- 在不同 GNOME 版本上测试主题
- 验证各种 GTK 控件的显示效果
- 检查高对比度模式下的表现
常见问题解决
-
颜色不生效:
- 检查变量作用域
- 确认编译过程无错误
- 验证 CSS 文件是否被正确加载
-
样式冲突:
- 使用更具体的 CSS 选择器
- 检查是否有其他主题覆盖了你的样式
-
编译错误:
- 检查 Sass 语法是否正确
- 确认所有导入路径有效
通过遵循本指南,开发者可以高效地创建出符合个人或团队需求的 GTK 主题,同时保持与 Adwaita 设计语言的兼容性。
登录后查看全文
热门项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
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
🔥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
暂无简介
Dart
671
155
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
Ascend Extension for PyTorch
Python
220
236
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
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
3.83 K
React Native鸿蒙化仓库
JavaScript
259
322