读书笔记—View的工作原理

本文详细解析了View的工作原理,包括ViewRoot的作用、MeasureSpec的概念及其三种模式、View和ViewGroup的测量过程,以及如何获取View的测量宽高。

View的工作原理

1.ViewRoot
  • ViewRoot对应于ViewRootImpl类,它是链接WindowManager和DecorView的纽带,View的三大流程(measure/layout/draw)均是通过ViewRoot来完成的。
  • 在ActivityThread中,当Activity对应被创建完毕后,会将DecorView添加到Window中,同时会创建ViewRootImpl对象,并将ViewRootImpl对象和DecorView建立关联。这个过程的源码如下
root=new ViewRootImpl(view.getContext(),display);
root.setView(view,wparams,panelParentView);
  • View的绘制过程是从ViewRoot的performTraversals方法开始的,它经过measure,layout和draw三个过程才能最终将一个View绘制出来,其中measure用来测量View的宽高,layout用来确定View在父容器中的放置位置,而draw则负责将View绘制在屏幕上。
  • performTraversals会依次调用performMeasure,performLayout和performDraw三个方法,这三个方法分别完成顶级View的measure,layout和draw过程。

performMeasure/performLayout/performDraw——>measure/layout/draw——>onMeasure/onLayout/onDraw

  • Measure过程决定了View的宽高,Measure过程完成以后,可以通过getMeasuredWidth和getMeasureHeight方法获取View测量后的宽高。在某些极端情况下,系统可能需要多次measure才能确定最终的测量宽高。
  • 在onMeasure中拿到的测量宽高有可能是不准确的,比较好的方法是在onLayout方法中获取View的测量宽高。
  • 测量宽高形成于View的measure过程,最终宽高形成于View的layout过程
  • Layout过程决定了View的四个定点坐标和实际的View的宽高,完成以后,可以通过getTop/getBottom/getLeft/getRight来获取View的四个顶点位置,并可以通过getWidth和getHeight方法来获取View的最终宽高。
  • Draw过程决定了View的显示,只有draw方法完成后View的内容才能呈现在屏幕上。
  • DecorView作为顶级View,一般情况下内部会包含一个竖直方向的LinearLayout,在这个LinearLayout里面有上下两个部分(具体跟Android版本和主题有关),上面是标题栏,下面是内容栏。
  • 在Activity中我们通过setContentView所设置的布局文件其实就是被加在内容栏中,而内容栏的id是content,所以可以通过findViewById(android.R.id.content)获取内容栏布局。
2.MeasureSpec
  • MeasureSpec代表一个32位的int值,高2位代表SpecMode,低30位代表SpecSize。
  • SpecMode是指测量模式,SpecSize是指在某种测量模式下的规格大小。
  • MeasureSpec通过将SpecMode和SpecSize打包成一个int值来避免过多的对象内存分配,并提供了打包和解包方法。
  • SpecMode类型
    • 1.UNSPECIFIED:父容器不对View有任何限制,要多大给多大,这种情况下一般用于系统内部,表示一种测量的状态。
    • 2.EXACTLY:父容器已经检测出View所需要的精确大小,这个时候View的最终大小就是SpecSize所指定的值。它对应于LayoutParams中的match_parent和具体的数值这两种模式。
    • 3.AT_MOST:父容器指定了一个可用大小即SpecSize,View的大小不能大于这个值。对应于LayoutParams中的wrap_content.
3.Measure过程
  • 1.View的测量过程
protected void onMeasure(int widthMeasureSpec,int heightMeasureSpec){
    setMeasuredDimession(getDefaultSize(getSuggestedMinimumWidth(),widthMeasureSpec),
    getDefaultSize(getSuggestedMinimumHeight(),heightMeasureSpec));
}

public static int getDefaultSize(int size,int measureSpec){
    int result=size;
    int specMode=MeasureSpec.getMode(measureSpec);
    int specSize=MeasureSpec.getSize(measureSpec);

    switch(specMode){
        case MeasureSpec.UNSPECIFIED:
            result=size;
        break;
        case MeasureSpec.AT_MOST:
        case MeasureSpec.EXACTLY:
            result=specSize;
        break;
    }

    return result;
}

protected void getSuggestedMinimumWidth(){
    return (mBackground==null)?mMinWidth:max(mMinWidth,mBackground.getMinimumWidth());
}

protected void getSuggestedMinimumHeight(){
    return (mBackground==null)?mMinHeight:max(mMinHeight,mBackground.getMinimumHeight());
}
  • 2.ViewGroup的measure过程

    • ViewGroup是一个抽象类,没有重写View的onMeasure方法,但提供了一个叫measureChildren的方法,源码如下
    protected void measureChildren(int widthMeasureSpec,int heightMeasureSpec){
        final int size=mChildrenCount;
        final View[] children=mChildren;
    
        for(int i=0;i<size;i++){
            final View child=children[i];
            if((child.mViewFlags & VISIBILITY_MASK) != GONE){
                measureChild(child,widthMeasureSpec,heightMeasureSpec);
            }
        }
    }
    • measureChild的思想就是取出子元素的LayoutParams,然后再通过getChildMeasureSpec来创建子元素的MeasureSpec,接着将MeasureSpec直接传递给View的measure方法来测量。
  • 获取View测量完毕后的宽高的方法

    • 1.Activity/View # onWindowFocusChanged:该方法会被多次调用,当Activity的窗口获取焦点和失去焦点均会被调用一次。
    public void onWindowFocusChanged(boolean hasFocus){
        super.onWindowFocusChanged(hasFocus);
    
        if(hasFocus){
            int width = view.getMeasuredWidth();
            int height = view.getMeasuredHeight();
        }
    }
    • 2.view.post(runnable)
    view.post(new Runnable(){
    
        @Override
        public void run(){
            int width=view.getMeasuredWidth();
            int height=view.getMeasuredHeight();
        }
    });
    • 3.ViewTreeObserver
    ViewTreeObserver observer = view.getViewTreeObserver();
    observer.addOnGlobalLayoutListener(new OnGlobalLayoutListener(){
    
        @SuppressWarnings("deprecation")
        @Override
        public void onGlobalLayout(){
            int width=view.getMeasuredWidth();
            int height=view.getMeasuredHeight();
            view.getViewTreeObserver().removeGlobalOnLayoutListener(this);
        }
    });
    • 4.view.measure(int widthMeasureSpec,int heightMeasureSpec)
4.自定义View
  • 1.自定义View的分类
    • 1.继承View重写onDraw方法:注意对wrap_content测量模式的处理
    • 2.继承ViewGroup派生特殊Layout
    • 3.继承特殊的View(如TextView)
    • 4.继承特殊的ViewGroup(比如LinearLayout)
  • 2.自定义View须知
    • 1.让View支持wrap_content
    • 2.如果有必要,让你的View支持padding
    • 3.尽量不要在View中使用Handler,可以使用post代替
    • 4.View中如果有线程或者动画,需要及时停止(在View#onDetachedFromWindow),以防止内存泄露
    • 5.View带有滑动嵌套情形时,需要处理好滑动冲突
【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型与说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压和功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行与控制工作的科研人员和工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念与分析方法;②掌握利用Simulink进行电力系统建模与仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能与参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分类模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度与位置,并参考个体历史最优解和群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C与核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法与机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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