【quickhybrid】如何实现一个Hybrid框架

章节目录

一些感慨

踏入前端领域满打满算也两年多了。到现在,主要方向已经是由Android原生转到了偏前端领域。

期间,不提自己的技术进步、视野拓宽,最大的产出之一应该就是从0开始构建了一个Hybrid框架了。

正值最近开始进行技术梳理,因此就准备写一系列文章沉淀起来。

本系列包含的内容清单

  • Hybrid框架的原理以及架构系列

  • JavaScript部分的原理以及源码系列(包括部分API的多容器的兼容)

  • Android部分的原理以及源码系列(仅覆盖核心实现以及API部分,不包含实际业务代码)

  • iOS部分的部分原理(一些坑会特别提出,理论上根据原理应该可以还原出)

    • 由于本人没写过iOS应用,因此目前没有直接提供源码,后续有时间可以考虑进一步提供

什么样的Hybrid框架?

核心宗旨:H5页面基于该框架可以替代80%以上的原生业务页面。

更详细一点:

  • 适用于需要开发大量项目级APP的场景

  • 不是用于完全替代原生开发,而是替代里面的80%原生业务页面(模式是: 原生部分 + H5部分)

  • 框架人员至少需要一名Android原生,一名iOS原生,一名前端架构(如果全栈,可以考虑合一)

  • 部分API(如UI显示类)考虑到了H5的兼容

  • 并没有做到产品级别的优化(需求优先级别较低)

之所以不基于第三方框架而是自己重新实现,是由具体的环境与需求决定的。譬如要求自己必须完全掌握源码,某些功能必须通过特定安全检测等。

另外,本系列不与任何市面上的其他框架进行比较,仅是自己的经验总结。

此框架是否有实践经验?

此框架不是平地起高楼而来的,而是在接近两年的项目实战中慢慢演化出的,内部已经迭代过多个版本

另外,它已经在一个项目型公司全面推广使用了。(N+级别)

这里要说明下:

  • 实际项目中,Hybrid框架仅仅是其中的一部分,还会包括一些原生通用组件,业务模块等

  • 但是本系列仅止步于Hybrid框架(处于诸多因素考虑,包括核心实现以及API实现)

如何应用与自己的项目中?

最后的源码部分仅提供核心实现以及API部分,对于一些简单项目来说,其实也就够用了,
但是如果功能较复杂的,肯定需要进一步封装自己的原生功能。

实际上推荐使用以下人员配置:

  • 一名资深Android原生(负责Android容器)

  • 一名资深iOS原生(负责iOS容器)

  • 一名资深前端(前端部分不要小觑,要配合排查问题的)

  • 总架构(推荐是以上三人中的一人担任,譬如本系列是由前端来统一架构的-但前提是必须懂点原生原理,否则抓瞎)

因为每一个人精力有限,所以除非特别厉害和全能,否则不建议一人担任两职
(譬如像我转入前端后,以前的Android就遗忘的很快,但是如果重点兼顾Android,前端水准肯定无法快速提升)

N+项目时的模式大致如下:

  • 三名框架人员负责核心框架容器部分(框架还需要提供一些通用模块与组件)

  • 各个业务线的APP中可以专门分配不同的原生人员负责打包APP(1对N,协助排查各自可能的业务问题)

  • 每一个APP中可以有若干H5业务开发人员(由不同的复杂度而定,主要业务都是线上的H5形式)

  • 三名对于的框架人员负责处理过滤后的真正框架BUG(由业务负责人过滤)

注意,以上是最小配置。(譬如可以分配更多的框架人员,优化提升等)

最后,以上是实际的经验总结,仅做参考。

框架更新与迭代

实际上不同框架的更新迭代方式都是不一样的,比如本系列中就是基于需求迭代

也就是说遇到问题才修复,优化,累积一段时间后开始考虑下一代的优化提升(迫于投入的窘迫性)

一般来说,整体的交互架构以及API是由对于的负责人规划的,然后安排给对于的容器实现

版本号的化仍然是以下经典形式:

大版本.小版本.修正版

譬如本框架在两年内迭代了个大版本(涉及到底层),
使用起来变化较大就会变动小版本,
平时个别API新增和修复是修正版

这里因人而异,比如有的喜欢将API新增也变为小版本更新

借鉴与不足

本框架中在实现是吸取了不少市面上已有框架的经验,譬如:

  • 钉钉(API设计上,可惜无法看到它底层实现…)

  • phonegap,html5+,apicloud,appcan等都有接触过(但参考的不多)

  • 一些github开源库,譬如marcuswestin/WebViewJavascriptBridge

另外,在文章总结时,参考了一些博文,包括我以前写的文章(会在参考来源中)

源码

github上这个框架的实现

quickhybrid/quickhybrid

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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