cocos2d_工程结构

Cocos2d-x Lua 游戏前端工程架构深度解析 本文基于一个真实的商业游戏项目,详细分析了基于 Cocos2d-x 3.10 引擎的 Lua 游戏前端工程架构。涵盖项目结构、技术架构、网络通信、游戏模块、资源管理等多个维度,为游戏开发者提供完整的工程参考。 阅读详情

cocos2d项目的结构。新建的cocos2d项目最外层有3个目录,分别存放代码、类库和app包。

代码目录的结构如下图所示:

最上面的几个是开发者自己编写的类,当然图中是一个新建的项目,所有类都是引擎自动写好的。Resources目录用来存放资源,libs中是cocos2d的源代码,Supporting Files中是入口函数(main)。

Libs路径结构,其中cocos2d的逻辑代码都存放在cocos2d路径中(已用红框标记)。

Supporting Files路径,入口类就放在这里(实际开发中基本不需要过问)。

Frameworks路径,其中最常用的就是Foundation.framework了。

 

读者们可能已经发现,cocos2d的源码是开放的,这有利于我们研究它的内部结构,从而加深理解,但作者建议不要去修改源代码,因为cocos2d是一个标准,是完全公开的,就是说所有cocos2d项目中的libs应该是完全一致的,如果修改了,引擎就会失去兼容性,在这个项目能够正常运行的代码到了另一个项目就会报错,如果API是这种效果的话,我想任何一个开发者都会抓狂吧(J2ME就是一个很好的例子,由于硬件和API实现方法的差异,导致相同的代码在不同的手机上差异性很大),所以我们在开发时最好把它看成一个SDK,只要使用它的API就好。

好吧,貌似又说了一堆和引擎的研究无关的东西,接下来我真的要将引擎的实际应用了= =(其实作者之所以在一开始说这么多,并不是想凑字数,而是因为这些才是对开发者来说最重要的,如果一个程序员连基本的开发规范都不知道,那他即使有再好的引擎,甚至精通各种语言,也绝不可能写出高质量的代码,理由很简单,南辕北辙只会使你离目的地越来越远,但如果方向正确,即使是乌龟也有超过兔子的可能)

在作者看来,cocos2d中最常用的类可以大致分为两部分——实体类和行为类,所谓实体类就是非常容易具体化,我们能够直观的感受到的东西,比如桌子、图片、人,这些是现实中实际存在的,实体类可以说就是对这些东西的模拟,当然也有稍微抽象一些的,比如菜单、按钮,但不管怎么说我们都很好理解它们的存在;行为类相比之下就显得很抽象了,它们封装的主体并不是某一事物(或者说是属性),而是方法,就是该类的实例表示的是实体类的一种行为模式,不同的行为模式需要不同的类来封装。从语文的角度讲,实体类就是主语(谁),行为类就是谓语(做什么),根据作者的开发经验,cocos2d大部分时间都是在围绕这两者工作。

cocos2d中的类采用的是树状继承的方式,即最上层的基类只有几个,拓展功能都是通过一层层的继承父类来实现的,这样做便于类于类之间的协作,因为很多接口都是共通的(都来自于基类)。实体类的基类是CCNode(cocos2d的所有类都以CC开头,这就表示你完全可以54它的存在= =b),它是所有实体类的父类,它内部封装的参数与方法是整个引擎中出镜率最高的,可以说是cocos2d的核心(菜单、精灵都是继承自它),下一章节会对它进行详细介绍。

行为类则大部分继承自CCAtion,它的子类实例可以让一个CCNode对象执行一个行为,比如旋转、移动,甚至是自定义的行为,一个CCNode可以同时执行多个行为或是按顺序执行一个行为序列,有了这些类,开发者就可以在游戏中轻松加入各种华丽的效果了。

有了CCNode和CCAction,我们是不是就可以开发游戏了呢?还不行,我们还需要一个乘纳它们的舞台。比如我们创建一张图片,并赋予它一个移动的行为,但是我们无法看见它,因为我们并没有把它显示到屏幕上,而舞台的作用就是把它上面的演员显示到屏幕上,呈现给观众。cocos2d实现舞台的方式是这样的:

舞台分为三部分:导演–场景–层。首先,屏幕的显示是以场景为单位的,我们通过显示器看到的所有内容都在一个场景中,而层是构成场景的元素,就好比场景是一个舞台,我们通过它观看游戏中的世界,而层就是组成舞台的各种背景,比如远近、近景、字幕。当一段故事讲完后,我们可能需要切换到另一个舞台来讲述下一段故事,在戏剧中通常是拉上大幕,在幕后切换背景,然后再拉开大幕,在cocos2d中也是这个步骤,而完成这一工作的就是导演。导演类负责场景间的切换,场景负责将游戏中的元素呈现给玩家,而层负责容纳元素以及接收玩家的输入信息。

通过这些类的合作,我们就可以进入自己创造的游戏世界了~

青龙人形机器人硬件平台设计全解析:从构型到控制系统的实战指南 本文深度解析了青龙人形机器人硬件平台的设计全流程,从需求分析、构型设计到核心系统实现。文章详细阐述了其43个自由度的仿生构型、高动态性下肢设计、灵巧作业系统以及分布式控制架构,并探讨了旋转关节与直线关节等关键技术选型,为开发者提供了从理论到实践的完整硬件设计指南。 阅读详情

相关推荐

别慌!Oracle MOS登录页面大变样?5分钟搞定新旧账号登录全流程

本文详细解析Oracle MOS登录页面改版后的新旧账号登录流程,帮助用户快速适应账号体系变革。针对传统MOS账号和OCI账号的不同应用场景,提供5分钟内完成无缝切换的实用指南,包括登录步骤、书签设置和密码管理策略,助力数据库管理用户高效访问Oracle技术支持资源。

weixin_30275415的博客 513

Cocos2D研究院之初识Cocos2d(二)

原创文章如需转载请注明:转载自雨松MOMO程序研究院本文链接地址:Cocos2D研究院之初识Cocos2d(二) 大家好,我是MOMO的朋友失落的宇宙,以后由我负责更新cocos2d的文章,这是我第一次写开发教程,不足之处还请各位多多担待,并随时欢迎指正,希望我们能够共同进步~ 在正式介绍cocos2d之前,我先啰嗦一下本人对这套引擎的看法。我认为coos2d最大的作用就是降低开发

734

Fofa API高阶玩法:用Python批量获取漏洞资产(含OA系统扫描实战)

本文详细介绍了如何利用Python结合Fofa API实现自动化漏洞资产收集的高阶实战技巧。通过构建健壮的客户端、设计精准查询语法、实现多线程批量采集,并以OA系统漏洞扫描为例,演示了从资产发现、过滤验证到报告生成的全流程,旨在提升安全运维与应急响应的效率。

weixin_28607671的博客 495

cocos2d框架介绍

cocos2d引擎 2.0 cocos2d简介 Cocos2d最初的版本是用python写的,之后被改成objectiveC,应用于iphone上,之后国内某人又根据该设计理念,将其改为C++版本cocos2dX,该版本可以在iphone,widnows,andriod三个平

liangneo的专栏 2万+

Ubuntu20.04下SRS流媒体服务器的安装与开机自启动优化指南

本文详细介绍了在Ubuntu20.04系统下安装SRS流媒体服务器并优化开机自启动的完整指南。从基础环境准备、服务管理方案对比到systemd自启动深度优化,提供了实用的配置技巧和排查方法,帮助用户快速搭建稳定的流媒体服务环境。特别推荐使用systemd方案实现高效的自启动管理。

weixin_29313239的博客 410

Unity3d 编译发布到安卓平台时出现的问题集

环境搭建好了,android SDK也有了,但导出的时候提示Error building Player: Win32Exception: ApplicationName='java.exe'....... 国内好像没看到解决方法。在Unity3d的论坛里面看到一个解决方法,把C:\windows\system32\java.exe复制到C:\Windows\SysWOW64里面,我这里就解决

erictang01的专栏 1772

【cocos源码学习】cocos2d-x-4.0 Android Demo工程结构的简析

如标题如示,没有什么很干货的内容,但确实是很基础很重要的学习cocos的知识点

技术的学习与积累是个技术活 1376

MATLAB与ROS联合仿真——实例程序搭建思路

MATLAB与ROS联合仿真——实例程序搭建思路

慕羽★的博客 5227

Cocos2d-x之项目结构分析

| 版权声明:本文为博主原创文章,未经博主允许不得转载。 1.下面是我们创建cocos2d的工程MyGame01里的文件资源 2. 在下面;文件解决方案下面有6个项目,我们的启动优先项为MyGame01;在MyGame01下有四个项resource,src,win32和外部依赖项; 1)、在src中的代理程序;应用程序的代理,包含游戏初始化游戏,创建场景,图层,精灵,...

weixin_30680385的博客 286

caverdock如何使用,一文给你多方案教学!

🏆本文收录于 《全栈 Bug 调优(实战版)》 专栏。专栏聚焦真实项目中的各类疑难 Bug,从成因剖析 → 排查路径 → 解决方案 → 预防优化全链路拆解,形成一套可复用、可沉淀的实战知识体系。无论你是初入职场的开发者,还是负责复杂项目的资深工程师,都可以在这里构建一套属于自己的「问题诊断与性能调优」方法论,助你稳步进阶、放大技术价值。

**My Coding Family** 1384

【异常】OpenClaw 上下文溢出问题(100% context used 309.9k/200k`)排查与解决

摘要:OpenClaw 运行出现"100% context used 309.9k/200k"报错,表示上下文窗口超出200k Token限制。解决方法包括:1) 重启服务或新建会话清空缓存;2) 修改配置文件提升context_window值;3) 长期优化如限制历史对话轮数、分批处理长文本。该问题通常由输入过长或多轮对话累积导致,需控制单次输入量在阈值内。

奶爸的编程之路,也就一周冷个三天 3232

Cocos2D-x工程目录介绍

《Cocos2D-x权威指南》第2章搭建跨平台的开发环境,本章介绍Cocos2D-x的项目在Win32、Android、iOS开发环境中的安装与配置,详细介绍了项目结构以及新建项目和交叉编译。另外,在新建项目时还需要Cygwin的辅助;iOS的开发在Mac上进行,需要安装Xcode工具。最后介绍了文档生成工具Doxygen,使用该工具可以根据文档更好地学习和使用Coc...

241

深度强化学习在足式机器人中的应用 (一):基础原理与仿真环境

我们将首先深入探讨其背后的核心挑战与技术栈,然后详细推导机器人学和强化学习的基本数学原理,特别是剖析在机器人控制领域表现卓越的PPO算法。下面的独立Python脚本展示了Isaac Gym的基本API用法,加载一个Go1机器人(假设URDF已准备好),并让它执行一个简单的预设动作(正弦波运动),以此来熟悉仿真流程。:代码的核心是直接操作GPU上的PyTorch张量,避免了CPU和GPU之间的数据拷贝,这是实现高性能的关键。:所有计算(如伪策略中的正弦波计算)都应该是向量化的,一次性为所有。

VectorShift的博客 228

cocos2d-x-html5之工程结构分析

文章前言一、工程结构1.1 web/AUTHORS.txt1.2 web/Base64Images.js1.3 web/bower.json1.4 web/CCBoot.js1.5 web/CCDebugger.js1.6 web/CHANGELOG.txt1.7 web/cocos1.8 web/extensions1.9 web/external1.10 web/jsb_apis.js1.11 web/licenses1.12 web/moduleConfig.json1.13 web/README.

小小英雄的博客 640

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

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")

cocos2d-x 3.6连连看工程结构

前面讲了怎么创建一个LLK游戏,这一节讲一下这个新建工程的结构,先搞清楚结构,后面再讲如何写我们自己的游戏。看这个工程,有两个工程图标,一个是LLK工程,一个是cocos2d-x工程。cocos2d-x是以一个库工程的形式引入到我们的LLK工程里面的。 Classes是游戏逻辑文件的分组,这个组里面是纯游戏逻辑相关的cpp文件,到时候如果要移植到其他平台,就是要移植这一部分的代码。 Resource

大掌教的Cocos Creator研究院 3421

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

自学cocos2d-x之tests工程结构

为了写游戏,决定学习cocos2d-x。有兴趣的童鞋欢迎一起讨论。 mac系统,xcode环境,windows的暂时没搞。 进入cocos2d-x源码目录,进入tests目录,进入prom.ios目录,双击test.xcodeproj就打开了tests的工程。如上图。 tests.h定义了所有test项的名字,testResource.h定义了所有的图片资源。testBasic.h定

大掌教的Cocos Creator研究院 2999

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

cocos2d-x 工程目录结构说明

cocos2d-x 工程目录结构说明 下载最新的cocos2d-x,解压完之后呈现出如下的目录结构: cocos2dx:框架核心目录,里面是存放了2dx引擎的核心代码。 CocosDenshion:各个平台的音效实现。 document:文档。 extension:例外目录,你可以理解为扩展目录,存放了一些官方的扩展。 ex...

weixin_30412167的博客 317

cocos2d小型工程的代码组织结构

一、小型工程通常只有一个Scene,所有的弹窗都在这一个Scene中弹出; 比如:从主菜单界面进入选关界面,点选关卡进入游戏,只是删除一个layer,加载了另一个layer,并没有多个Scene  replace。 代码管理上,Scene中只负责弹出各种弹窗,不负责游戏逻辑。游戏逻辑在主游戏场景的Layer中实现。 二、所有子窗口或弹窗,初始化后就不再销毁,或re

killallpigs的专栏 592

Cocos2d-x 4.0项目模板结构解析与工程化实践指南

在跨平台游戏开发中,项目结构设计是工程实践的基础,直接影响代码的可维护性和构建效率。其核心原理在于通过清晰的目录分离和模块化设计,实现逻辑、资源和平台特定代码的解耦,从而提升团队协作效率并简化多平台部署流程。从技术价值看,良好的结构能显著降低维护成本,加速开发迭代,并为集成现代构建工具(如CMake)和第三方库铺平道路。在实际应用场景中,开发者常面临资源管理混乱、跨平台构建复杂等挑战。本文聚焦Cocos2d-x 4.0的**项目模板结构**,深入解析其作为**跨平台游戏开发**脚手架的设计哲学,涵盖从核心目

weixin_29010003的博客 291

(4)Cocos2d-x的Helloworld项目工程架构解析

国际惯例,打个小广告,新手cocos2dx游戏开发学习群:131430516,欢迎各位一起加入讨论交流,本人QQ692187014 一.基础知识:C++的类      可能大多数写java的童鞋会很头疼,因为C++类写在两个文件里,一个是.h文件是类的声明,而.cpp文件则是类的定义。在.h头文件里声明类和类的各个方法,然后在.cpp源文件中再定义它的实现方式。个人就把他们理解成是目录和文章的

来自火星的我 1053

cocos2dx3.2 工程的目录结构(cpp+lua)

这篇文章主要来说明cpp、lua两种工程的目录结构,这两个工程目录结构虽然大致相同,但是还是有些差异 先来说说cpp工程的目录结构: 用cpp创建一个cocos2d的工程目录结构如下 classes: 用于存放源文件的目录,将所有.h 和 .cpp文件存放于此 cocos2d: 用于存放cocos2dx所有引擎源码的目录 proj.xxxx 用于

lh133123的博客 1094

Cocos2d-JS 目录结构

在这个教程中,我将会从头开始向你展示如何去建立一个新的 Cosos2d-JS 工程。在开始之前,我先简短地介绍一下 Cocos2d-JS 总体的目录结构。 Cocos2d-JS 目录结构概览 下面是 Cocos2d-JS 的目录结构: 图片1  理解目录结构 目录结构可以被分成4个部分来理解: 第一部分: 引擎相关文件 frameworks 目录包含了 C

vitrol的专栏 1247

cocos2d-js开发入门

第一步,环境搭建 首先去官网下载cocos2d-x压缩包:https://cocos2d-x.org/download 这里我选择的是3.x版本的完整SDK: 解压到任意目录运行python setup.py安装即可,不过这里的python版本是2.x。 新建工程:cocos new -l js 工程名 进入工程目录运行:cocos run -p web 在浏览器上看到如下画面...

weixin_30622181的博客 473

cocos2d-x 创建工程详解

我们的编写的第一个程序一般习惯上都命名为HelloWorld,从它开始再学习其他的内容。下面介绍的第一个Cocos2d-x游戏我们也命名为HelloWorld。 创建工程 在Cocos2d-x早期版本中,创建工程是通过安装在Visual Studio中的工程模板而创建的,而目前创建工程Cocos2d-x是通过Cocos2d-x提供的命令工具cocos实现的,cocos位于\tools\

rbagglo的专栏 2689

iOS使用Cocos2d-x开发游戏之一:新建一个游戏工程

1.cocos2d-x 2.2.5目录结构 如上图找到文件create_project.py文件,在终端切换到project-creator目录下,输入 ./create_project.py -project MyGame -package com.MyCompany.MyGame -language cpp ,执行,终端会出现如下的执行执行过程: 可以看出,新建的工程

妙心的专栏 1102
上一篇: cocos2d_环境搭建
下一篇: cocos2d_CCAction
focusjava
博客等级 码龄14年 127粉丝 528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
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