Egret学习笔记 (Egret打飞机-1.大致思路)   

简介: Egret学习笔记 (Egret打飞机-1.大致思路)  

 大致看了一遍Egret的官方文档,就开始打算使用Egret来开发一个打飞机游戏。

  首先来捋一捋思路,先来看一看一个打飞机游戏的图片

基本上一个打飞机游戏分为

  1. 开始游戏   ----------进入游戏的第一个显示对象。必须点击开始游戏界面的开始游戏,才能进入游戏去开始玩
  2. 背景   ------背景我们就用两个图片来循环滚动
  3. 敌机  -------随机出现N个敌机,并且会不停的发射子弹
  4. 猪脚 -------猪脚也会不停的发射子弹
  5. 敌人的子弹  ------由敌机发出的子弹,向下飞
  6. 猪脚的子弹    ---------猪脚的子弹,向上飞,能打中敌机,并增加分数
  7. 分数显示   -----------猪脚击毙敌机后的分数显示
  8. 游戏结束显示   ----------猪脚死亡后的显示

 

然后我们就来慢慢的完成这个小游戏。。。(好慌,好怕最后写不出来被人寄刀片)

目录
相关文章
|
JavaScript 前端开发 PHP
【Vue+NodeJS】vue路由及NodeJS环境搭建(Windows版)
Node.js是一个基于Chrome V8引擎构建的JavaScript运行时环境使用了一个事件驱动、非阻塞式I/O 的模型;可以让JavaScript在服务器端运行,它让JavaScript成为与PHP、Python、Perl、Ruby等服务端语言平起平坐的脚本语言。相对于传统的JavaScript运行环境(如浏览器),Node.js具有以下特点:事件驱动:Node.js使用事件驱动的非阻塞I/O模型,使得在处理大量并发请求时效率更高。单线程。
|
JSON API PHP
Python/PHP:免费IP归属地查询接口和通过ip获取大致位置信息
Python/PHP:免费IP归属地查询接口和通过ip获取大致位置信息
1485 0
|
运维 监控 网络架构
健壮且灵活的混合云网络——Series2:运维、并网及升级
健壮且灵活的混合云网络——Series2:运维、并网及升级
健壮且灵活的混合云网络——Series2:运维、并网及升级
|
11月前
|
传感器 机器学习/深度学习 人工智能
光子集成电路:光子学与电子学的结合
【10月更文挑战第18天】光子集成电路(PIC)结合了光子学与电子学的优势,利用光子作为信息传输和处理的载体,具备高速传输、大带宽、低功耗和高集成度等特点。本文介绍其基本原理、技术优势及在高速光通信、光计算、传感器和激光雷达等领域的应用前景,展望未来发展趋势与挑战。
|
移动开发 JSON JavaScript
一篇文章讲明白Egret白鹭H5小游戏开发入门(一)
一篇文章讲明白Egret白鹭H5小游戏开发入门(一)
240 1
|
8月前
|
机器学习/深度学习
 GHSL: 全球1975 年到 2030 年以 5 年间隔建成面积的分布情况(100m)
全球人类住区图层(GHSL)项目提供了1975年至2030年建成面积的分布数据,以每100米网格单元为单位,涵盖建筑总面积及非住宅用途面积。该数据集由欧盟委员会联合研究中心(EC JRC)提供,时间间隔为5年,支持时空分析与预测。详情参见[GHSL 数据包 2023](https://ghsl.jrc.ec.europa.eu/documents/GHSL_Data_Package_2023.pdf?t=1683540422)。
201 7
|
12月前
|
JavaScript
Vue2使用v-model封装ElementUI日期组件(实现开始时间和结束时间的校验,禁选)
本文介绍了如何在Vue2中使用v-model封装ElementUI日期组件,并实现开始时间和结束时间的校验,包括禁选当前时间之后的时间。文章提供了详细的组件代码和页面使用示例,并解释了如何通过props传递参数以及如何监听和处理日期选择的变化。
404 2
|
11月前
|
存储 Java PHP
【JVM】垃圾回收机制(GC)之引用计数和可达性分析
【JVM】垃圾回收机制(GC)之引用计数和可达性分析
179 0
|
jenkins 持续交付 数据安全/隐私保护
树莓派4b通过docker安装部署jenkins
树莓派4b通过docker安装部署jenkins
252 2
|
机器学习/深度学习 算法 数据挖掘
Python数据分析革命:Scikit-learn库,让机器学习模型训练与评估变得简单高效!
【7月更文挑战第27天】在数据驱动时代,Python以丰富的库成为数据科学首选。Scikit-learn因简洁高效而备受青睐,引领数据分析革命。本文引导您使用Scikit-learn简化机器学习流程。首先通过`pip install scikit-learn`安装库。接着使用内置数据集简化数据准备步骤,例如加载Iris数据集。选择合适的模型,如逻辑回归,并初始化与训练模型。利用交叉验证评估模型性能,获取准确率等指标。最后,应用训练好的模型进行新数据预测。Scikit-learn为各阶段提供一站式支持,助力数据分析项目成功。
208 0