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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue06- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00