Evernote样式的Share Extension

下文所述均是在继承 SLComposeServiceViewController 的基础上的不漂亮做法,对于无法满足更多要求时,请使用 UIViewController 或者 NSViewController 来实现

Evernote 无论是桌面还是移动客户端都以设计新颖,用户体验良好成为设计者们借鉴的标杆。iOS8 带来的Share Extension更是提高了 Evernote 的易用性,以前需要在桌面浏览器 Clip 保存的功能在 iPhone、iPad 上也能用了。

在众多开发者给自己应用定制 Share Extension 的时候,自然得看看 Evernote 是怎么把体验做得很好的。我在给公司应用定制时也首先想到了 Evernote。

最吸引开发者的应该是最底下带有 icon 的 TableViewCell。我们都知道配置下面的TableView需要在函数 - (NSArray *)configurationItems 中配置。

- (NSArray *)configurationItems {
    SLComposeSheetConfigurationItem *accountItem = [[SLComposeSheetConfigurationItem alloc] init];
    accountItem.title = @"account";
    SLComposeSheetConfigurationItem *groupItem = [[SLComposeSheetConfigurationItem alloc] init];
    groupItem.title = @"group";
    return @[accountItem, groupItem];
}

但是配置中并没有配置 icon 的参数。当然首先想到的是 Evernote 自定义了SLComposeSheetConfigurationItem 和SLComposeServiceViewController,但翻遍了文档和Google都没有找到相应的资料。找寻解决办法失败后想着以其花时间也可能找不到解决,还不如试试 Hacking 的方式。经过几天摸索,终于模仿得挺像了。

添加icon

既然没法配置 icon,那就在 viewDidLoad 或者 viewDidAppear 中手动添加 icon,然后将 SLComposeSheetConfigurationItem 的 title 置空。ViewController 跳转的时候控制它们隐藏显示。

PS: viewDidAppear也只会触发一次

self.view

icon 用 self.view 添加自然可以,但是 ConfigureItem 一多,键盘切换时就会发生错位了。 

这是为什么呢?

我们在 Extension 呈现后设置断点,打印出当前 ViewController 的层级。 原来在 SLComposeServiceViewController 中的 self.view并不是我们看到的 Extension 所显示的 view, 打印self.view.frame 得出的大小也不符。仔细查看 view 层级后,使用

UIView *containerView = [self.view subviews][0];  
[containerView addSubView:icon];

可以将 icon 挂到显示的 view 上。而Evernote是选择将显示的 view 往上提了一段距离来避免在小屏幕上碰到此问题。至此解决了 icon 显示的问题。

在你想用通常的方法,用 UIImageView 替换 NavigationItem.titleView时,发现不起作用。那是因为当前的 SLSheetNaviagtionController 与 UINavigationController 不一样,设置后也没效果。

那怎么办呢?

还是像之前我们在模拟 TableViewCell 时一样,自己添加 icon 吧。

self.logoImage = [[UIImageView alloc] initWithFrame:CGRectMake(150, 10, 56, 22)];  
self.logoImage.image = [UIImage imageNamed:@"navi_lobi_logo"];  
[containerView addSubview:self.logoImage];

自动改变ViewController的高度

使用Evernote时观察到,在选择 notebook 页面,当 notebook 很多时,会自动增加 ViewController 的高度,使之适应整个屏幕。 这是怎么实现的?

只需在 pushConfigurationViewController 之前设置 vc 的 preferredContentSize 就行。

groupItem.tapHandler = ^(void) {  
        GroupTableViewController *groupVC = [[GroupTableViewController alloc] init];
        groupVC.preferredContentSize = CGSizeMake(self.navigationController.navigationBar.frame.size.width, [groupVC needsContentHeight]);
        [_self pushConfigurationViewController:groupVC];
    };

Evernote的实现方式

在几天研究后,观察到一个细节。在上面的 ViewController 的层级图里,作为呈现的 view 其实是被包到一个 TableView 里了。既然是 TableView, 那肯定可以上下拖动了。 但是 Evernote 的 Extension 是无法拖动的。所以我怀疑 Evernote 也是采用我这种 Hacking 方式,因为你一拖动,手动添加的 icon 又会错位了,所以只能把 TableView 的 scroll 禁止了。

- (void)disableScrollInSubviews:(UIView*)av {
    for (UIView *v in [av subviews]) {
        if ([v isKindOfClass:[UIScrollView class]]) {
            UIScrollView *sView = (UIScrollView*)v;
            sView.scrollEnabled = NO;
            return;
        }
        else {
            [self disableScrollInSubviews:v];
        }
    }
}

Preview

SLComposeServiceViewController 里有个很重要的方法 - (UIView *)loadPreviewView;。 preview 的行为比较诡异,没有细致研究,待补充。。。

虽然实现方式没怎么高大上,算是暂时能用。如果你有更好的方式,或者本文里有什么错误,欢迎留言指出。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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