tModLoader中UI缩放对NewText方法的文本换行影响分析
问题概述
在tModLoader游戏模组开发框架中,Main.NewText方法用于在游戏中显示文本消息。该方法会自动将长文本消息换行显示,但其换行计算存在一个关键缺陷:未考虑游戏界面缩放比例(UIScale)的影响。
技术细节分析
当前实现机制
当前Main.NewText方法通过以下方式计算最大文本宽度:
num = Main.screenWidth - 320;
这一计算方式存在两个主要问题:
-
当屏幕分辨率改变时,系统会调用
chatMonitor.OnResolutionChange()方法,触发ChatMessageContainer.MarkToNeedRefresh标记,使ChatMessageContainer重新计算最大消息宽度。然而,当用户调整UI缩放比例时,没有类似的刷新机制。 -
ChatMessageContainer.Refresh方法在计算最大消息宽度时,没有将Main.UIScale因素纳入考虑。
实际表现影响
在不同UI缩放比例下,文本显示会出现以下问题:
- 高缩放比例(如170%):文本换行计算错误,导致部分文本超出屏幕可视范围
- 低缩放比例(如50%):文本过早换行,造成不必要的空白区域
- 分辨率变化时:虽然会重新计算,但UI缩放变化时不会触发重新计算
相关渲染问题
在深入分析过程中,还发现了一个相关的渲染问题:ChatManager.DrawColorCodedString方法在绘制彩色文本时,会逐个单词进行绘制。这种实现方式会导致:
- 对每个单词单独调用
DynamicSpriteFont.MeasureString测量尺寸 - 手动跟踪绘制位置
- 未能正确处理某些字符(如'A'、'R'、'7')的负右间距(rightPadding)值
这会导致实际绘制的文本宽度与ChatMessageContainer.Refresh中通过Utils.WordwrapStringSmart计算的预期宽度不一致,因为后者会测量整行文本并正确处理字符间距。
解决方案建议
针对上述问题,建议从以下方面进行改进:
-
UI缩放感知:修改
ChatMessageContainer.Refresh方法,使其在计算最大宽度时考虑Main.UIScale因素 -
刷新机制扩展:为UI缩放变化添加类似于分辨率变化的刷新机制,确保缩放比例改变时也能重新计算文本布局
-
文本绘制优化:考虑重构
ChatManager.DrawColorCodedString的绘制逻辑,使其测量方式与换行计算保持一致,或者找到更高效的整体绘制方法
对模组开发的影响
对于tModLoader模组开发者而言,了解这一问题十分重要:
- 当模组需要显示大量文本信息时,应考虑不同UI缩放比例下的显示效果
- 对于关键信息显示,可能需要实现自定义的文本显示逻辑来规避此问题
- 在测试模组时,应在不同UI缩放设置下验证文本显示效果
总结
tModLoader中的文本显示系统在UI缩放处理方面存在不足,主要影响长文本消息的自动换行功能。这一问题的根本原因在于宽度计算未考虑缩放因素,以及相关刷新机制不完善。虽然对普通玩家影响较小,但对模组开发者展示复杂信息时可能造成困扰。理解这一问题的本质有助于开发者更好地控制模组中的文本显示效果。
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 StartedRust098- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiMo-V2.5-ProMiMo-V2.5-Pro作为旗舰模型,擅⻓处理复杂Agent任务,单次任务可完成近千次⼯具调⽤与⼗余轮上 下⽂压缩。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00