SketchyBar多显示器工作空间显示问题的解决方案
2025-05-27 12:59:46作者:凌朦慧Richard
在macOS环境下使用SketchyBar与Aerospace窗口管理器时,许多用户遇到了一个常见问题:当连接三个或更多显示器时,工作空间(Spaces)无法正确显示在对应的显示器上。本文将深入分析问题原因并提供多种解决方案。
问题现象分析
当用户使用内置Mac屏幕加两个外接显示器时,会出现以下异常现象:
- 左侧显示器的工作空间显示在中央显示器上
- 中央显示器的工作空间显示在右侧显示器上
- 右侧显示器的工作空间显示在左侧显示器上
有趣的是,当减少到两个显示器时,问题会自行消失。这表明问题与多显示器配置下的显示顺序映射有关。
根本原因
经过分析,问题源于以下几个方面:
- 显示器排列顺序不一致:Aerospace和SketchyBar对显示器的识别顺序不同
- 坐标系差异:macOS的NSScreen坐标系与窗口管理器的坐标系可能存在差异
- 主显示器设置影响:系统主显示器的设置会影响显示器的编号顺序
解决方案
方法一:调整显示器物理排列
最简单的解决方案是确保显示器的物理排列与Aerospace的预期一致。具体来说:
- 打开系统偏好设置中的"显示器"设置
- 确保显示器的排列方式是从左到右依次升高
- 主显示器应设置为物理位置最左侧的显示器
方法二:使用Aerospace提供的NSScreen ID
Aerospace提供了一个特殊格式字符串来获取与NSScreen一致的显示器ID:
%{monitor-appkit-nsscreen-screens-id}
这个1-based索引对应NSScreen.screens数组中的显示器顺序,可以与SketchyBar使用的顺序保持一致。
示例代码:
aerospace list-monitors --format '%{monitor-id} %{monitor-appkit-nsscreen-screens-id}'
方法三:完整映射解决方案
对于需要精确控制的情况,可以使用以下完整解决方案:
- 首先获取NSScreen的ID和名称(Aerospace使用这些名称)
- 获取Sketchybar数据以映射nsscreen ID到sketchybar ID
- 获取Aerospace数据以映射名称到nsscreen名称
实现脚本示例:
#!/usr/bin/env bash
# 获取NSScreen IDs和Names
NSSCREEN_DATA=$(swift -e 'import AppKit; for screen in NSScreen.screens { if let screenID = screen.deviceDescription[NSDeviceDescriptionKey("NSScreenNumber")] as? NSNumber { print("\(screenID.intValue)|\(screen.localizedName)") } }')
# 获取Sketchybar数据
SKETCHYBAR_DATA=$(sketchybar --query displays | jq -r '.[] | "\(.["arrangement-id"])|\(.["DirectDisplayID"])"')
# 获取Aerospace数据
AERO_MONITORS=$(aerospace list-monitors --format "%{monitor-id}|%{monitor-name}")
# 建立映射关系
while IFS='|' read -r SKETCHYBAR_ID SKETCHYBAR_NSSCREEN_ID; do
# 查找匹配的NSScreen和Aerospace显示器
# ...
# 输出映射关系
done <<<"$SKETCHYBAR_DATA"
方法四:简化版工作空间指示器
对于不需要精确显示每个工作空间的用户,可以采用简化方案:
sketchybar --add item space.$monitor left \
--subscribe space.$monitor aerospace_workspace_change \
--set space.$monitor \
background.color=0x35ffffff \
background.corner_radius=4 \
background.height=20 \
background.drawing=off \
icon.font.size=10 \
label.font.size=14 \
icon.padding_right=2 \
label.padding_left=2 \
icon=$monitor \
label=$(aerospace list-workspaces --monitor $monitor --visible) \
script="$CONFIG_DIR/plugins/aerospace.sh $monitor"
最佳实践建议
- 保持SketchyBar更新:确保使用最新版本,因为旧版本可能缺少必要的查询功能
- 统一显示器命名:为显示器设置易于识别的名称,便于调试
- 日志记录:在复杂配置中添加日志输出,便于排查问题
- 响应显示器变化:添加事件监听以响应显示器连接/断开事件
通过以上方法,用户可以根据自己的需求选择适合的解决方案,确保在多显示器环境下SketchyBar能够正确显示各显示器的工作空间。
登录后查看全文
热门项目推荐
相关项目推荐
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 StartedRust0191
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 Notebook0115
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
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08
项目优选
收起
暂无描述
Dockerfile
763
4.96 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
856
1.92 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
676
1.33 K
Ascend Extension for PyTorch
Python
719
875
deepin linux kernel
C
32
16
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
455
437
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++
1.07 K
1.09 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
150
252
CANN 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 Notebook
297
114
昇腾LLM分布式训练框架
Python
178
220