NotchDrop项目:在非刘海屏MacBook上运行的技术解析
2025-07-09 10:24:11作者:董斯意
NotchDrop是一款为MacBook刘海屏设计的应用程序,但很多用户在使用非刘海屏设备时遇到了无法启动的问题。本文将深入分析这一限制的技术原理,并提供解决方案。
问题背景
NotchDrop应用的核心功能是模拟MacBook Pro刘海屏的视觉效果,因此开发者Lakr233在代码中设置了设备检测机制,只允许在具有物理刘海屏的设备上运行。这一限制导致非刘海屏MacBook用户无法正常使用该应用。
技术原理分析
应用通过以下关键代码检测设备类型:
- 屏幕检测机制:在AppDelegate中,应用检查主屏幕是否存在且具有非零尺寸的刘海区域
- 刘海区域计算:NotchWindowController负责计算刘海区域在屏幕上的精确位置
- 视图布局:NotchView根据计算出的刘海区域位置来定位和渲染模拟刘海
解决方案实现
要让应用在非刘海屏设备上运行,需要进行以下代码修改:
1. 移除设备检测限制
修改AppDelegate中的设备检测代码,移除刘海尺寸检查:
// 原代码
// guard let mainScreen = NSScreen.buildin, mainScreen.notchSize != .zero else {
// 修改后
guard let mainScreen = NSScreen.buildin else {
2. 手动设置刘海区域
由于非刘海屏设备无法自动检测刘海区域,需要手动指定:
// 在NotchWindowController中
vm.deviceNotchRect = .init(x: -1060, y: 1340, width: 150, height: notchHeight)
3. 调整视图布局
修改NotchView中的布局计算逻辑:
vm.notchRectIfOpen = .init(
x: -1060 - (finalSize.width - 150) / 2,
y: 1340 - (finalSize.height - notchHeight),
width: finalSize.width,
height: finalSize.height
)
注意事项
- 坐标调整:x和y值需要根据具体屏幕尺寸进行调整,确保刘海模拟位置正确
- 视觉效果:非原生刘海屏设备上的模拟效果可能不如真实刘海屏自然
- 系统兼容性:修改后的代码仍需保持与macOS系统的兼容性
技术延伸
这种修改方式展示了macOS应用开发中几个重要概念:
- 屏幕空间坐标系:理解macOS如何定义屏幕坐标系是精确定位UI元素的关键
- 条件编译:开发者可以使用条件编译来区分不同设备类型的处理逻辑
- 视图层次结构:了解NSView和NSWindow的层次关系有助于实现复杂的UI效果
通过这种技术调整,用户可以在非刘海屏设备上体验NotchDrop的功能,虽然效果可能不如原生刘海屏设备完美,但为应用的使用提供了更多可能性。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
173
193
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++
647
263
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
268
93
暂无简介
Dart
622
140
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
377
3.32 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (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
1.1 K
621
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
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