CadQuery中Sketch选择器工作机制解析
2025-06-19 15:49:07作者:农烁颖Land
在CadQuery项目中使用Sketch时,开发者可能会遇到一个看似奇怪的现象:调用faces()选择器后,wires()选择器的返回结果会发生变化。这实际上揭示了CadQuery中Sketch与Workplane在工作机制上的一个重要区别。
问题现象重现
当开发者执行以下代码时:
import cadquery as cq
s = cq.Sketch()
s.rect(100, 100)
s.vertices().fillet(6)
print(s.wires().vals()) # 输出空列表[]
但如果取消注释s.faces()这行代码,wires()就会返回预期的结果。这种看似不一致的行为其实源于Sketch内部的选择机制。
核心机制解析
1. 选择状态的持久性
与Workplane不同,Sketch的选择状态不会自动重置。当调用vertices()选择顶点进行倒角操作后,这些顶点仍然保持在当前选择集中。这意味着:
- 后续的选择操作会基于当前选择集进行
- 需要显式调用
reset()方法来清除选择状态
2. 内部状态管理
Sketch通过_selection属性维护当前选择集。我们可以通过以下代码观察这一机制:
s = cq.Sketch()
s.rect(100, 100)
print(s._selection) # 初始为空列表[]
s.vertices().fillet(6)
print(s._selection) # 显示四个顶点对象
s.reset()
print(s._selection) # 再次变为空列表[]
print(s.wires().vals()) # 现在能正确返回wire对象
3. 设计哲学差异
Workplane采用"命令-查询分离"原则,操作会消耗选择集。而Sketch则采用更底层的设计:
- 所有修改都是原地进行的
- 不维护操作历史
- 选择状态需要显式管理
最佳实践建议
- 显式重置选择集:在连续操作中,养成调用
reset()的习惯 - 理解选择器行为:
faces()等选择器会改变内部选择状态 - 调试技巧:检查
_selection属性可以帮助理解当前状态 - 操作顺序:复杂的操作应该分步骤进行,适时重置选择集
总结
CadQuery中Sketch的这种设计提供了更底层的控制能力,但也要求开发者更明确地管理选择状态。理解这一机制后,开发者就能更自如地使用Sketch进行复杂建模,避免因选择状态导致的意外行为。这种设计在需要精细控制几何操作的场景下尤为有用,为高级用户提供了更大的灵活性。
登录后查看全文
热门项目推荐
相关项目推荐
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
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
415
3.19 K
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
暂无简介
Dart
680
160
🔥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
65
19
Ascend Extension for PyTorch
Python
229
259
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++
689
327
React Native鸿蒙化仓库
JavaScript
265
326
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
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660