推荐一款优雅的进度指示器:IHProgressHUD
项目介绍
IHProgressHUD 是一个简洁易用的进度显示控件,专为iOS和tvOS设计。它基于SVProgressHUD,并借助Swiftify进行了Swift重构,增加了线程安全性和在App扩展中的兼容性。
如果你对转换过程感兴趣,可以阅读这篇文章获取更多细节。
该项目提供了一个直观的示例动图,展示了其精美的动画效果:

你可以在线预览Appetize.io上的实际运行效果。
安装
安装 IHProgressHUD 有以下两种方法:
使用CocoaPods
-
在你的Podfile中添加:
pod 'IHProgressHUD'或者如果你想使用最新特性:
pod 'IHProgressHUD', :git => 'https://github.com/Swiftify-Corp/IHProgressHUD.git' -
执行
pod install安装到你的项目中。
使用Swift包管理器(SwiftPM)
-
从Xcode菜单选择
File>Swift Packages>Add Package Dependency...。 -
输入仓库地址:
https://github.com/Swiftify-Corp/IHProgressHUD.git并确认。 -
指定版本后,点击完成,Xcode会自动将依赖加入到你的项目。
使用
IHProgressHUD 设计为单例模式,可在后台线程直接调用其方法。例如,使用GCD进行异步任务处理:
IHProgressHUD.show()
DispatchQueue.global(qos: .default).async(execute: {
// 时间消耗型任务
IHProgressHUD.dismiss()
})
应用场景
IHProgressHUD 的主要用途是在执行耗时操作时提示用户,如文件下载、网络请求等。但不建议用于非阻塞用户体验的操作,如下拉刷新、无限滚动或发送消息。
自定义设置
可以通过以下方法调整 IHProgressHUD 的样式、颜色、尺寸等:
- 显示风格
- 遮罩类型
- 动画类型
- 容器视图
- 最小大小
- 圆环厚度
- 圆环半径
- 边角半径
- 边框颜色
- 边框宽度
- 字体
- 文本颜色
- 背景颜色
- 图像大小
- 是否对图像进行着色
- 确认、成功或错误图标
- 延迟关闭时间
- 动画持续时间
- 支持的最大窗口级别
- 触摸反馈启用状态
开源贡献与许可证
欢迎通过创建问题或提交Pull Request参与到 IHProgressHUD 的开发中。查看贡献指南了解详情。
该项目遵循 MIT 许可证,并且感谢Freepik提供的信息、成功和错误图标,这些图标根据 Creative Commons BY 3.0 协议授权使用。
尝试一下 IHProgressHUD,让它为你的应用带来更专业的用户体验吧!
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