WebUI项目中的多窗口顺序显示实现方法
在WebUI项目中,开发者经常需要实现多个窗口的顺序显示,即第一个窗口关闭后再显示第二个窗口。本文将详细介绍如何通过事件监听机制实现这一功能。
问题背景
在WebUI的Zig绑定中,直接连续调用wait()方法并不能实现窗口的顺序显示。这是因为wait()会阻塞程序执行,导致后续代码无法运行。我们需要寻找一种更优雅的解决方案。
解决方案核心思路
通过事件监听机制,我们可以检测窗口的关闭事件,并在第一个窗口关闭后触发第二个窗口的显示。这种方法利用了WebUI的事件系统,实现了窗口间的有序切换。
具体实现步骤
-
全局变量声明:首先声明两个窗口变量作为全局变量,以便在事件处理函数中访问。
-
窗口初始化:在
main函数中创建两个窗口实例。 -
事件绑定:为两个窗口绑定同一个事件处理函数。
-
显示第一个窗口:调用第一个窗口的
show方法。 -
事件处理:在事件处理函数中检测窗口关闭事件,当第一个窗口关闭时显示第二个窗口。
代码实现详解
const std = @import("std");
const webui = @import("webui");
// 全局窗口变量声明
var nwin: webui = undefined;
var nwin2: webui = undefined;
pub fn main() !void {
// 创建两个新窗口
nwin = webui.newWindow();
nwin2 = webui.newWindow();
// 为两个窗口绑定事件处理函数
_ = nwin.bind("", events);
_ = nwin2.bind("", events);
// 显示第一个窗口的内容
_ = nwin.show("<html><head><script src=\"/webui.js\"></script></head> Hello World ! </html>");
// 等待所有窗口退出
webui.wait();
// 清理资源
webui.clean();
}
// 事件处理函数
fn events(e: webui.Event) void {
std.debug.print("Event. \n", .{});
switch (e.event_type) {
.EVENT_CONNECTED => {
std.debug.print("Connected. \n", .{});
},
.EVENT_DISCONNECTED => {
std.debug.print("Disconnected. \n", .{});
const win = e.getWindow();
if (win.window_handle == nwin.window_handle) {
std.debug.print("第一个窗口已关闭,显示第二个窗口 \n", .{});
// 显示第二个窗口
_ = nwin2.show("<html><head><script src=\"/webui.js\"></script></head> Hello AGAIN World 2 ! </html>");
}
},
else => {},
}
}
关键点解析
-
事件绑定:通过
bind方法将窗口与事件处理函数关联,这样窗口的所有事件都会被路由到该函数。 -
窗口识别:在事件处理函数中,通过比较窗口句柄(
window_handle)来确定是哪个窗口触发了事件。 -
事件类型判断:使用
switch语句区分不同的事件类型,这里我们主要关注EVENT_DISCONNECTED(窗口关闭)事件。 -
资源管理:最后调用
clean()方法释放WebUI占用的资源。
扩展应用
这种基于事件的窗口管理方式可以扩展到更复杂的场景:
-
多窗口链式显示:可以创建多个窗口,每个窗口关闭时触发下一个窗口的显示。
-
条件触发:可以根据用户在前一个窗口中的操作决定显示哪个后续窗口。
-
数据传递:可以在窗口关闭前保存数据,传递给下一个窗口使用。
注意事项
-
确保在程序退出前调用
clean()释放资源。 -
事件处理函数应尽量保持简洁,避免耗时操作。
-
在多线程环境中使用时需要注意线程安全问题。
通过这种事件驱动的方式,开发者可以灵活控制WebUI应用中多个窗口的显示顺序和交互逻辑,实现更复杂的用户界面流程。
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