Unity-Editor-Toolbox中PropertyDrawer的NullReferenceException问题解析
在Unity编辑器扩展开发中,PropertyDrawer是一个非常实用的功能,它允许开发者自定义属性在Inspector面板中的显示方式。然而,在使用Unity-Editor-Toolbox项目时,开发者可能会遇到一个特定的NullReferenceException问题,特别是在处理自定义PropertyDrawer时。
问题现象
当开发者使用自定义PropertyDrawer绘制包含列表的属性时,可能会遇到NullReferenceException异常,错误信息指向UnityEditor.EditorGUI+RecycledTextEditor.IsEditingControl方法。这个问题通常表现为:
- 自定义PropertyDrawer无法正常工作
- 控制台显示NullReferenceException错误
- 只有在禁用Unity-Editor-Toolbox的"Use Toolbox Drawers"选项时,PropertyDrawer才能正常工作
问题根源分析
通过分析错误堆栈和代码示例,我们可以确定问题的核心在于PropertyDrawer中的属性修改处理方式。具体来说:
- 错误发生在处理数组大小属性时,表明问题与列表/数组类型的序列化属性有关
- 在自定义PropertyDrawer中直接调用property.serializedObject.ApplyModifiedProperties()可能导致内部状态不一致
- Unity的编辑器GUI系统期望在完整的Inspector绘制周期后才应用属性修改
解决方案
针对这个问题,我们有以下几种解决方案:
1. 移除不必要的ApplyModifiedProperties调用
在PropertyDrawer的OnGUI方法中,不应该直接调用ApplyModifiedProperties()。Unity编辑器会在整个Inspector绘制完成后自动处理属性应用的逻辑。
// 错误做法 - 不应在PropertyDrawer中直接调用
if (EditorGUI.EndChangeCheck())
{
property.serializedObject.ApplyModifiedProperties();
}
2. 正确使用BeginChangeCheck/EndChangeCheck
如果确实需要在特定控件后检查修改,应该成对使用BeginChangeCheck和EndChangeCheck:
EditorGUI.BeginChangeCheck();
// 绘制控件代码...
if (EditorGUI.EndChangeCheck())
{
// 可以在这里标记需要修改,但不直接调用ApplyModifiedProperties
}
3. 优化PropertyDrawer性能
除了解决异常问题外,还可以对PropertyDrawer进行性能优化:
- 缓存频繁使用的数据(如绑定选项)
- 避免在每次OnGUI调用时重新计算不变的数据
- 使用静态变量存储不随实例变化的数据
最佳实践建议
在开发自定义PropertyDrawer时,建议遵循以下最佳实践:
- 避免直接修改序列化对象:让Unity处理属性应用的时机
- 合理使用ChangeCheck:只在需要精确控制修改检测时使用
- 性能优化:缓存计算结果,减少每帧的计算量
- 兼容性考虑:确保PropertyDrawer在不同环境下都能正常工作
- 错误处理:对可能为null的引用进行适当检查
总结
在Unity编辑器扩展开发中,理解PropertyDrawer的工作原理和Unity的序列化机制非常重要。通过避免直接调用ApplyModifiedProperties和正确使用ChangeCheck机制,可以解决大多数与NullReferenceException相关的问题。同时,合理的性能优化可以提升编辑器的响应速度,为开发者提供更好的使用体验。
记住,编辑器脚本虽然强大,但也需要遵循Unity的特定规则和生命周期才能稳定工作。在遇到类似问题时,仔细分析错误堆栈并理解Unity的内部工作机制是解决问题的关键。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0172
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook098
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
BitCPM-CANN-8BBitCPM-CANN 是首个基于华为昇腾 NPU 原生构建的端到端 1.58 位(三值化)大语言模型训练系统。该系统将量化感知训练(QAT)集成到 Megatron-LM 框架中,并结合 MindSpeed 加速,覆盖了从自定义三值算子到基于昇腾 910B 的分布式并行训练的完整训练栈。Python00
MiniCPM5-1BMiniCPM5-1B,这是 MiniCPM5 系列的首款模型。它是一个专为端侧、本地部署和资源受限场景打造的 10 亿参数密集型 Transformer 模型,达到了 10 亿参数级开源模型的 SOTA 水平Jinja00
skillhubopenJiuwen 生态的 Skill 托管与分发开源方案,支持自建与可选 ClawHub 兼容。Python0239