Для тех кто пишет расширения на PyQt/PySide для CG-софтов.
Когда я только начинал писать тулзы под Maya (тогда еще версия 2010-2011) мне приходилось ручками ставить PyQt4 под Maya. Даже написал мануалы по установке на своём сайте. Но потом стал доступен из коробки PySide и позже он обновится до PySide2. Для некоторых систем была поддержка PyQt5.
И как простому разработчику поддерживать этот зоопарк? Ведь хочется чтобы тул работал на любой версии (вы тоже делали модуль что-то типа import_qt.py?😁)
На помощь приходит проект Qt.py который поставил себе цель унифицировать использование Qt-биндингов вне зависимости от среды где запускается код. Те, кто давно пишут на Qt, скорее всего знают этот проект.
Он стал стандартом для CG-индустрии и используется в топовых студиях и проектах.
Qt․py помогает запускать один и тот же код на разных платформах с разными вариантами Qt-библиотек. Это может быть как интеграция в CG-софт, так и переносимость стендалонов между разными платформами с разными версиями Python.
Я решил рассказать о некоторых особенностях работы с этой библиотекой.
Сегодня о том, как установить и использовать Qt․py и что это вам даёт.
Установка
pip install Qt.py
Чтобы начать использовать Qt․py в коде достаточно заменить импорт вашего варианта Qt-биндинга на Qt․py
from [PySide|PyQt4|PySide2|PyQt5] import QtWidgets
=>
from Qt import QtWidgets
Теперь ваш код будет поддерживать любой вариант биндинга Qt в Python.
При этом не потребуется использовать if-else конструкции под разные версии. Все вызовы теперь одинаковы.
Всё что нужно сделать, это написать его по правилам PySide2. Именно эта версия была взята за основу.
Приоритет импорта такой:
1. PySide2
2. PyQt5
3. PySide
4. PyQt4
Что именно загрузилось можно посмотреть в переменной __binding__
>>> import Qt
>>> Qt.__binding__
'PySide2'
Приоритет имопрта можно изменить через переменные QT_PREFERRED_BINDING и QT_PREFERRED_BINDING_JSON. Причем под каждый проект оверрайды можно настраивать индивидеально.
#qt#libs
Lookonchain | ꘜ
Whales keep accumulating $ETH!
Whale 0x3952 withdrew another 21,000 $ETH($90.6M) from #Binance in the past 40 minutes and currently holds 86,001 $ETH ($260M).
https://intel.arkm.com/explorer/address/0x3952D69643F7a87237C7fC8bB33f8453C0b45500
Lookonchain | ꘜ
Whale bc1q5r withdrew another 500 $BTC($59.53M) from #Binance 5 hours ago.
This whale has withdrawn 3,000 $BTC($355M) from #Binance over the past 3 months at an average price of $109,895.
https://intel.arkm.com/explorer/address/bc1q5rsc4uscnmemlwru8xsys26k3xgxewqfnf3k7j
Lookonchain | ꘜ
Three wallets (likely belonging to the same whale) unstaked 14,942 $ETH($64.38M) and deposited it into #Binance in the past hour.
https://intel.arkm.com/explorer/address/0x345834DA38A13Ba5B9F4dDD2288e0B98C662Fb95
https://intel.arkm.com/explorer/address/0xA55d99EEcc7d1D5D76829e71CdC9fdB387858CE5
https://intel.arkm.com/explorer/address/0xF2758d2d606ecE036601544606BE2Af61F6a12e1
Lookonchain | ꘜ
A wallet linked to Metalpha deposited 5,000 $ETH($20.91M) to #Binance just now.
https://intel.arkm.com/explorer/address/0x96F49d0e9724dFD8780fa667ac37A993f005CB94
Lookonchain | ꘜ
Whale 0x3952 withdrew another 8,745 $ETH($37.6M) from #Binance an hour ago.
Over the past two months, this whale has withdrawn 65,001 $ETH($281M) from #Binance at an average price of 2,611 — now sitting on over $111M in unrealized profits.
https://intel.arkm.com/explorer/address/0x3952D69643F7a87237C7fC8bB33f8453C0b45500
A whale deposited 689.34 $BTC worth $46.17M into #Binance.
https://intel.arkm.com/explorer/address/15HWQZaDQ6GFhro8x693zaqCdTU1qVKvdQ
https://x.com/OnchainLens/status/2039991271012679903
Follow @onchainlens for more onchain updates
Whale 0x2fcf withdrew 5,090 $BNB ($6.65M) from #Binance and spent 3,475 $BNB ($4.54M) aping into random memecoins.
He’s now sitting on an unrealized loss of ~$1.2M.
Even whales get rekt. 🐋