Cocos开发笔记——数据持久化

COCOS学习--SQLite数据库持久化(16.5) SQLite数据库持久化 1.SQLite介绍 直接看维基的链接:https://zh.wikipedia.org/wiki/SQLite 2.重构属性列表数据持久化中的代码 访问数据表需要包含的函数有:初始化,增加,删除,修改和查询-所有数据,查询-byID。 初始化 { //path为路径 sqlite3* db= NULL; //打开数据库 if (sqlite... 阅读详情

储存数据

cc.sys.localStorage.setItem(key, value)
//储存复杂的数据,可以将数据转成json
let userData = {
    name: 'Tracer',
    level: 1,
    gold: 100
};

cc.sys.localStorage.setItem('userData', JSON.stringify(userData));

读取数据

cc.sys.localStorage.getItem(key)
//读取复杂数据,将json再转回object
let fromJson = cc.sys.localStorage.getItem(key)
JSON.parse(fromJson)

移除键值对

//当我们不再需要一个存储条目时,可以通过下面的接口将其移除:

cc.sys.localStorage.removeItem(key)

//移除所有储存数据
cc.sys.localStorage.clear()
Cocos Creator开发《文字斗争》益智游戏:从架构到多平台发布实战 游戏开发中,模块化架构与跨平台发布是提升开发效率和产品覆盖面的关键技术。模块化通过分离核心逻辑、数据管理与视图层,降低了代码耦合度,便于维护与扩展,常采用事件驱动模式进行通信。跨平台能力则允许开发者使用同一套代码库,通过引擎适配层,快速部署到Web、小程序等多个终端,极大节省了开发成本。这些技术对于实现如《文字斗争》这类融合了汉字匹配算法与状态管理的益智小游戏至关重要,其核心玩法涉及网格生成、广度优先搜索匹配与数据持久化,最终通过Cocos Creator引擎,可高效发布至H5与微信小程序平台。 阅读详情

相关推荐

从零到一:基于Cocos Creator的微信小游戏开发全流程实战指南

游戏开发的核心在于构建一个持续运行的交互式应用,其基本原理遵循“处理输入、更新状态、渲染画面”的循环。在移动互联网时代,轻量化、即点即玩的游戏形态因其便捷的传播和低用户获取成本而备受青睐。微信小游戏正是这一趋势下的典型技术实现,它依托微信庞大的社交生态和成熟的支付体系,为开发者提供了直达海量用户的平台。从技术选型角度看,使用成熟的游戏引擎如Cocos Creator,能有效降低开发门槛,引擎内置的物理系统、资源管理器和可视化编辑器,让开发者能更专注于游戏玩法逻辑的实现。在工程实践中,掌握环境搭建、核心循环编

weixin_30701575的博客 443

CocosCreator存储和读取本地文件

存储和读取 存储 cc.sys.localStorage.setItem(key, value); 两个参数,用来索引的字符串键值 key,和要保存的字符串数据 value。 读取 cc.sys.localStorage.getItem(key); 一个参数,只需要根据key来读取相应的值 删除 cc.sys.localStorage.removeItem(key); 移除一个存储的值,无法再读取...

weixin_39514724的博客 8822

Cocos Creator微信小游戏开发入门:从环境搭建到发布上线的完整指南

游戏引擎是游戏开发的核心工具,它通过封装底层图形、物理和音频等模块,为开发者提供高效的创作环境。其工作原理在于将游戏逻辑、资源管理和平台适配抽象成可视化的工作流,从而降低开发门槛。在技术价值上,优秀的引擎能实现“一次开发,多端部署”,显著提升开发效率并优化性能。尤其在移动端和微信小游戏等轻量化应用场景中,引擎的跨平台能力和包体控制至关重要。Cocos Creator作为一款成熟的国产跨平台游戏引擎,凭借其与微信小游戏生态的深度集成和全流程解决方案,成为开发者的热门选择。本指南将围绕Cocos Creator

weixin_34396902的博客 402

cocos creator 插件开发

Cocos Creator插件开发经验 这里总结一些creator插件开发的一点小经验,先干为敬!我介绍一些哪些是重点的东西,官网上重复的文档我就不搬了 一:背景 二:需要的知识 三:了解一些小概念 四:入门 五:积他家之精华 一:背景 1:在开发中如果是creator编辑器所不能触及的地方: 比如自动为一个节点添加很多动画适用于该节点下需要绑定很多的动画场景。 又比如在resource下很多资源,在代码里面引用的时候可不可以不写资源的url降低出错的几率,将资源的映射关...

lck8989的博客 4107

cc.sys.localStorage的用法(存储和读取数据)

cc.sys.localStorage的用法(存储和读取数据)

专业解决各种上架过包问题,专业团队专业处理 594

Cocos Creator引擎开发:UI组件开发_UI组件与本地存储

Cocos Creator提供了多种方法来实现本地存储,包括使用和。这些方法各有优缺点,选择合适的存储方式取决于你的具体需求。在Cocos Creator中,将UI组件与本地存储结合起来可以实现数据的持久化,这对于玩家的进度、设置和游戏数据的管理是非常重要的。和提供了不同的存储方式,可以根据具体需求选择合适的方法。为了提高安全性,可以使用数据加密和校验。为了优化性能,可以采用数据分片、异步操作和数据缓存等手段。

chenlz2007的博客 1001

数据持久化

iOS中可以有四种持久化数据的方式:属性列表、对象归档、SQLite3、和Core Data。 一、关于属性列表的使用 iOS应用程序采用沙盒原理设计,每个应用程序都有自己的3个目录(Documents,Library,tmp),互相之间不能访问。 Documents存放应用程序的数据。 Library目录下面还有Preferences和Caches目录,Pre

u011874528的专栏 899

Cocos Creator引擎开发:Cocos Creator基础入门_(15).数据存储与读取

通过本节的学习,我们了解了 Cocos Creator 中数据存储与读取的多种方法,包括本地存储、云存储和文件系统存储。每种方法都有其适用的场景和注意事项。在实际开发中,合理选择和结合这些方法可以极大地提升游戏的性能和用户体验。希望这些内容能够帮助你在虚拟现实游戏开发中更好地管理数据存储与读取。

chenlz2007的博客 1242

【Cocos Creator实战教程(12)】——存储与读取数据

1. 相关知识点 我们在游戏中通常需要存储用户数据,如音乐开关、显示语言等,如果是单机游戏还需要存储玩家存档。 Cocos Creator 中我们使用 cc.sys.localStorage 接口来进行用户数据存储和读取的操作。 1.1 存储数据 cc.sys.localStorage.setItem(key, value) 上面的方法需要两个参数,用来索引的字符串键值 key,和...

LANGZI7758521的专栏 1382

R语言TCGA数据下载避坑指南:biolinks包实战中的5个常见错误与解决方案

本文详细介绍了使用R语言的TCGAbiolinks包下载TCGA数据时常见的5个错误及其解决方案,包括安装与加载问题、查询构建参数设置、下载中断处理、数据加载格式不匹配以及版本兼容性问题。通过实战案例和代码示例,帮助生物信息学研究者高效获取TCGA数据,避免常见陷阱。

weixin_30892037的博客 86

Fiddler Everywhere保姆级教程:10分钟搞定手机HTTPS抓包(附证书配置避坑指南)

本文提供Fiddler Everywhere移动端HTTPS抓包的保姆级教程,涵盖环境配置、代理设置、证书安装及常见问题排查。重点解析如何正确安装并信任Fiddler根证书以解密HTTPS流量,帮助开发者快速搭建抓包环境,高效分析应用网络行为,提升调试效率。

git9versioner的博客 706

CocosCreator 微信小游戏 本地存储脚本

CocosCreator 微信小游戏 本地存储脚本简介注意事项代码 简介 为了在微信小游戏中为了保存一些游戏进度,并且兼容cocos内置的存储功能。 注意事项 wx.setStorage只有在微信环境下才可使用 cc.sys.localStorage.setItem是cocos内置的本地存储方案 代码 /** * 存储数据 * * @static * @param {string} key * @param {*} data * @membero

SlowFeather's blog 2552

计算机组成原理课设

计算机组成原理课程设计

qq_63306482的博客 8056

COCOS学习--属性列表数据持久化(16.4)

属性列表数据持久化 1.使用_Dictionary读写属性列表文件 //创建字典元素 { auto dict = __Dictionary::create(); dict->setObject(String::create("2008-08-16 10:01:01"), "date"); dict->setObject(String::create("初始化数据。"), "...

m0_37628529的博客 457

facebook协议

支持同时登录多个Facebook账号,按照关键词采集小组地址,群发小组,批量添加推荐人,群发推 荐人消息,采集个人Facebook用户,群发用户私信,群发主页评论。通过客服台管理功能,和粉丝互动聊天,通过话术快捷回复,自动翻译聊天记录。通过FaceBook小组采集小组成员id,或者通过FaceBook个人主页,采集主页上粉丝批量操作已FaceBook账号添加推荐热,可以指定添加某个国家的推荐人,可以设置每个账号添加推荐人个数去重模式:所有的FaceBook账号不添加重复的推荐人。

2503_90751938的博客 967

自动驾驶预测决策规划八股

预测规划八股个人总结。

dawushixiange的博客 479

解决90%游戏存档问题:Cocos引擎数据持久化全方案

你是否曾因玩家反馈"存档丢失"而焦头烂额?是否在为跨平台存储兼容性头疼?本文将系统讲解Cocos引擎中3种核心数据持久化方案,从单机到联网全覆盖,帮你彻底解决游戏数据存储难题。 ## 一、本地存储基础:轻量级数据解决方案 Cocos引擎提供了完善的本地存储API,满足单机游戏的基础数据保存需求。这些API封装在不同平台适配层中,确保在iOS、Android、Web等环境下的一致性。 ### ...

gitblog_01076的博客 1146

计算机视觉-全景图像拼接中的特征匹配与优化策略

本文深入探讨了计算机视觉中全景图像拼接的核心技术,重点解析了特征匹配后的关键优化策略。通过SIFT特征提取、RANSAC算法剔除误匹配,并结合APAP算法应对视差与鬼影问题,详细阐述了从基础对齐到无缝融合的完整流程,为开发者实现高质量全景拼接提供了实用指南。

weixin_29039773的博客 365

告别调试烦恼:Cocos Creator日志持久化全攻略

你是否还在为游戏运行时的偶发性bug头疼?是否遇到过线上问题无法复现的窘境?本文将带你掌握Cocos Creator日志输出到文件的完整方案,让调试信息不再"转瞬即逝",轻松定位各类运行时问题。 ## 为什么需要日志持久化 在游戏开发过程中,日志(Log)是定位问题的重要依据。默认情况下,Cocos Creator的日志仅输出到控制台(Console),当游戏在移动设备或浏览器中运行时,这些日...

gitblog_00087的博客 544

〔重庆理工大学〕计算机网络实验指导书【实验九 直连路由,静态路由,默认路由配置】

本实验指导书介绍了直连路由、静态路由和默认路由的配置方法。主要内容包括:1)路由器基础知识,包括直连路由、静态路由和动态路由三种路由生成方式;2)路由度量值与匹配顺序,解释了不同路由类型的优先级;3)实验任务分为三个部分:直连路由的查看分析、静态路由的配置以及默认路由的配置,详细说明了配置步骤和命令。实验要求通过模拟器搭建网络环境,完成路由配置使PC间能够互通。实验旨在帮助学生掌握不同路由类型的工作原理和配置方法,适用于简单的网络环境。

Pretty Boy Fox的博客 1059

基于STM32LXXX的模数转换芯片ADC(CMS24AD2001)驱动C程序设计

/ 电压 = (原始值 / 2^23) * Vref (注意:24位有符号数范围为 -2^23 到 2^23-1)//---------------- 硬件端口映射 (请根据实际电路修改) ----------------ADC_SCLK_HIGH();- PGA 放大倍数可选:1、2、4、8、16、32、64、128、256;//---------------- 宏定义操作 -------------------//---------------- 函数声明 -------------------

myron6688的博客 161

Cocos Creator游戏存档全方案:从数据持久化到跨平台实现

数据持久化是游戏开发中的基础技术概念,指将程序运行时的数据状态保存到非易失性存储介质中,确保应用关闭后数据不丢失。其核心原理是通过序列化将复杂的数据结构转换为可存储的格式(如JSON),再通过存储API写入本地文件或数据库。在游戏开发领域,一套健壮的持久化方案能极大提升玩家体验和游戏口碑,直接关系到留存率与用户评价。针对Cocos Creator引擎,开发者需要解决跨平台一致性、版本兼容性和数据安全等工程挑战。本文以JSON序列化和IndexedDB为核心,构建了一套覆盖Web、小游戏及原生平台的结构化存档

diandingyin9417的博客 406

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

cocos文件持久化

cocos 文件持久化   访问json文件格式 rapidjson::Document doc;     doc.Parse(data.c_str());     doc["hello”][0].AddMember("name", "zhnaghow", doc.GetAllocator());//hello为属性名  [0] 为hello内第一个大括号包含的内容 json文件格式:

zhanghow的博客 913

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

Cocos Creator插件开发:三步构建可视化设置面板,告别JSON配置

在软件开发中,配置管理是连接用户意图与程序行为的关键桥梁。其核心原理在于将数据模型与用户界面进行双向绑定,实现数据的实时同步与持久化。这项技术的价值在于极大降低了软件的使用门槛和维护成本,通过直观的图形界面取代了晦涩的代码或配置文件编辑,提升了产品的专业性和易用性。在游戏开发领域,特别是在Cocos Creator这样的引擎生态中,为插件构建可视化设置面板已成为提升开发效率、促进团队协作的**最佳实践**。本文以Cocos Creator插件开发为具体场景,深入解析如何利用编辑器扩展API,通过定义数据**

weixin_33724570的博客 404

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Cocos学习目录

包含了我COCOS学习的一些笔记目录,这个博客主要方便做项目的适合找对应的函数和代码,直接搜索关键词就好了。 如果要学习还是建议直接看书。 书籍:COCOS2d-x实战 4. 字符串,标签和菜单https://blog.youkuaiyun.com/m0_37628529/article/details/94038000 5. 精灵https://blog.youkuaiyun.com/m0_37628529...

m0_37628529的博客 234

Cocos Creator多场景数据共享:全局变量与单例模式

在Cocos Creator游戏开发中,场景切换时的数据共享是开发者面临的常见挑战。本文将详细介绍两种实用方案——全局变量与单例模式(Singleton Pattern),帮助你轻松实现跨场景数据传递,提升游戏开发效率。 ## 一、全局变量方案:简单直接的共享方式 ### 1.1 引擎内置全局对象 Cocos引擎提供了`cclegacy`全局对象,可直接用于存储跨场景数据。该对象定义在[`c...

gitblog_01123的博客 1321
上一篇: Tiled游戏地图编辑器
下一篇: Cocos开发笔记——Tween动画
贪小心
博客等级 码龄8年 8774粉丝 108原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

贪小心

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值