U8G2库中数字显示格式化的实现方法
2025-06-06 05:40:28作者:戚魁泉Nursing
概述
在使用U8G2图形库进行嵌入式开发时,经常需要将数字变量转换为字符串并显示在屏幕上。本文介绍如何在U8G2项目中实现数字的格式化显示,特别是针对不同位数的数字进行自动格式调整。
问题背景
在嵌入式显示应用中,我们经常需要将数字变量转换为字符串显示。U8G2库提供了u8g2_u8toa()函数用于这种转换,但该函数需要预先指定输出数字的位数。如果位数指定不当,可能会导致显示格式不一致,例如数字"1"显示为"001"或"1"。
解决方案
基本方法
U8G2库本身提供了数字转字符串的函数u8g2_u8toa(),其原型为:
char *u8g2_u8toa(uint8_t v, uint8_t d)
其中v是要转换的数字,d是显示的位数。这个函数会将数字转换为固定位数的字符串,不足位数的前面补零。
自动位数检测
为了实现根据数字实际位数自动调整显示格式,我们可以编写一个辅助函数,先检测数字的位数,再调用u8g2_u8toa()进行转换:
const char *convert_number(uint16_t number) {
static char buf[5];
uint8_t digit_count;
if((number/10) > 9){
digit_count = 3; // 三位数
}
else if(((number/10) < 10) && ((number/10) > 0)){
digit_count = 2; // 两位数
}
else if((number/10) < 1){
digit_count = 1; // 一位数
}
strcpy(buf, u8g2_u8toa(number, digit_count));
return buf;
}
使用示例
在U8G2的绘图函数中,可以这样使用上述转换函数:
u8g2.drawStr(x, y, convert_number(number));
实现原理
-
位数检测:通过将数字除以10来判断其位数范围
- 除以10大于9 → 三位数
- 除以10小于10且大于0 → 两位数
- 除以10小于1 → 一位数
-
缓冲区管理:使用静态缓冲区存储转换结果,避免内存分配问题
-
安全考虑:缓冲区大小设置为5,可以容纳最大4位数加结束符
扩展应用
这种方法可以进一步扩展:
-
支持更大数字:修改函数参数类型为
uint32_t可支持更大范围的数字 -
自定义格式:可以添加参数控制是否补零、是否显示正负号等
-
浮点数支持:类似方法可用于浮点数的格式化显示
注意事项
-
静态缓冲区在同一时间只能保存一个转换结果,不能嵌套调用
-
在多任务环境中使用时需要注意线程安全问题
-
对于频繁调用的场景,可以考虑使用多个缓冲区轮换
通过这种方法,开发者可以轻松实现数字的智能格式化显示,提升用户界面的美观性和一致性。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0114
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08
最新内容推荐
项目优选
收起
暂无描述
Dockerfile
763
4.96 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
856
1.92 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
676
1.33 K
Ascend Extension for PyTorch
Python
719
875
deepin linux kernel
C
32
16
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
455
437
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++
1.07 K
1.09 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
150
252
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
296
114
昇腾LLM分布式训练框架
Python
178
220