IfcOpenShell项目中缓存目录设计的优化思路
2025-07-05 15:01:59作者:曹令琨Iris
背景与问题分析
在IfcOpenShell项目的Bonsai组件中,原有的缓存目录设计存在一些不合理之处。缓存目录被放置在Python的site-packages目录下,这在Linux系统上通常位于/usr/目录中,而该目录在正常操作下应该是只读的。这种设计会导致两个主要问题:
- 当用户尝试写入缓存时,可能会遇到权限错误,影响软件性能和使用体验
- 在Blender环境中,当更新或禁用Bonsai时,site-packages目录会被清空并重新加载,导致用户自定义的模板和缓存数据丢失
跨平台缓存目录解决方案
针对这一问题,开发者提出了使用平台标准缓存目录的方案:
- 在Linux系统上,缓存应存储在
$HOME/.cache/bonsai目录 - 在Windows系统上,缓存应位于
C:\Users\<Username>\AppData\Local\bonsai\cache - 在macOS系统上,缓存应放在
/Users/<Username>/Library/Caches/bonsai
为了实现这一目标,项目采用了platformdirs库(原计划使用appdirs,后发现已被platformdirs取代)。这个库能够自动识别操作系统类型,并返回符合平台规范的目录路径。
数据目录的迁移与版本管理
除了缓存目录外,项目中的静态数据目录也存在类似问题。开发者提出了更全面的解决方案:
- 使用
platformdirs.user_data_path("bonsai", roaming=True)获取跨平台的标准数据目录 - 在数据目录中创建版本标记文件(如.bonsai),记录当前版本号
- 在注册时检查版本号,必要时从site-packages复制数据文件到用户数据目录
用户自定义与系统默认的平衡
在数据目录设计上,开发者特别考虑了用户自定义需求与系统默认配置的平衡:
- 采用"覆盖式"查找策略:先查找用户自定义目录,再查找系统默认目录
- 对于可自定义内容(如资产和模板),允许用户在个人目录中维护自己的版本
- 对于不可自定义内容(如字体、图标等),保持系统默认位置
实施建议与最佳实践
基于以上讨论,对于类似项目的目录结构设计,可以总结出以下最佳实践:
- 严格区分可写目录和只读目录,缓存和用户数据必须放在用户可写的位置
- 使用标准库(如platformdirs)处理跨平台路径问题
- 为可能变化的缓存格式添加版本标识,便于未来升级
- 实现目录自动创建功能,确保用户删除缓存后能自动恢复
- 设计合理的查找顺序,平衡系统默认配置和用户自定义需求
这种目录结构设计不仅解决了当前的技术问题,也为未来的功能扩展和维护提供了良好的基础架构。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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
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
9
Ascend Extension for PyTorch
Python
208
220
暂无简介
Dart
646
149
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++
654
287
React Native鸿蒙化仓库
JavaScript
250
318
🎉 (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
1.16 K
637
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,提供Transformer定制化场景的高性能融合算子。
C++
78
101
仓颉编译器源码及 cjdb 调试工具。
C++
130
861
openGauss kernel ~ openGauss is an open source relational database management system
C++
159
215
仓颉编程语言运行时与标准库。
Cangjie
134
873