前端开发app,关于apicloud与dcloud的我的一些看法

跨平台APP----对Cordova,APPCan,DCloud,APICloud四大平台的分析(系列二) 前言: 移动开发是未来一个很重要的IT领域,而跨平台开发将是这一领域最重要的事情。         ----谷震平     一 兵器谱   在国外,最大的是Cordova(PhoneGap,2011年广泛流行),在2012年12月开源。 在国内,按时间顺序,有:   2012年,AppCan 2013年,DCloud 2014年9月,APICloud   二 Cordova... 阅读详情

这几个月,学习了一些新技术,利用前端做了几个移动端app,也曾学过一点java和android开发,对比了一下,发现用前端开发app和原生开发app相比,学习成本和时间真的小很多,很方便。
我的第一个移动端app
第一次做的app,用的是apicloud。觉得用这个平台开发app,真的上手非常简单,我只用了一上午学习就开始开发自己的项目。创建app的时候就能选择几个模板,文档也比较好查,功能也够丰富。
模块库模块很多,用起来十分方便,第一次做app,就用了微信微博qq登录分享,支付宝微信支付,高德地图定位,极光推送这些模块,实现了期望的功能。(好像是公司第一次实现推送的功能,心里默默地表扬鼓励下自己。平台官方推荐使用的vue框架,也是自己非常喜欢的框架,在做整个app的过程中,基本完全没有使用原生js操作dom树的行为,所有功能全用了数据绑定的方法实现。自己写的非常爽。apicloud中有许多功能都非常棒,比方说这个execScript方法,可以非常方便的执行其他页面中的函数,很多地方都非常有用。
execScript方法
自己在五一假期的时候,还挺有兴致的花了一下午开发了一个粗糙的app图灵聊天机器人玩
这里写图片描述
用apicloud做完app后,紧接着又学习dcloud并开发下一个app。dcloud的体验相对于apicloud来说,我就觉得比较难受。dcloud的文档,大多数都是查的mui的文档和plus的文档,因为还是想使用vue框架的原因,在开发过程中,出现了许多问题,vue框架的mounted生命周期开始便执行的事件,与dcloud的plus ready的事件冲突,造成页面加载顺序的问题,页面中在刚打开的时候还会出现vue的{{}}双括号,mui的一些样式还对自己的页面有冲突,使android ios的手机出现了各种问题。一些功能实现起来也比较复杂,甚至有的还需要懂原生java android开发语言然后用js调用才能开发。个人的dcloud体验相对较差,也可能是自己技术水平还比较低的原因。
接下来总结下个人觉得apicloud相对于dcloud比较好的一些方法和优势。
1。上拉加载下拉刷新。aplcoud中实现起来比dcloud方便很多,文档也详细。
2。页面加载,跳转,重新加载与刷新,页面的一些惯性效果的实现方式。
3。分享方面,dcloud只有微信新浪微博两种分享的例子,还有qq和腾讯微博的分享,实现起来没有apicloud自由。
4。支付。dcloud的支付需要把原生sdk放入然后引用,到目前因为甲方后台的原因,还没实现。apicloud的支付,实现起来简单。
5。dcloud在一下android版本较低的机型(比方说android 4.4)上不支持es6语法。
6。dcloud的生态环境没apicloud的好,在社区中问个问题,apicloud很快就能得到回答和解决,而dcloud的社区中都是问题。
7。对框架的支持,我用的比较多的是vue,在apicloud上很完美。
8。dcloud上还有一些问题没解决,看文档说,说是当dom节点过多的时候就会出现问题。
9。dcloud中mui框架的一些方法操作起来还是要对dom节点进行操作,与vue的观念冲突,作为一个重度vue使用者,原生js操作dom节点已经不太熟悉,并且开发过程中又有数据绑定又有原生js显得有点不和谐难受。

暂时想到了这些问题,如果不是业务要求的话我是比较倾向apicloud的,接下来的一个项目,甲方还是要求要用dcloud开发,希望在接下来开发中,我能学习到更多知识,找到dcloud优秀的地方。

为uni-cloud(Dcloud国产之辉)声明! 加油!为了国产未来 阅读详情

相关推荐

手把手教你用ROS2 Humble给PX4无人机写个“画圆”程序:从C++代码到Gazebo仿真全流程

本文详细介绍了如何使用ROS2 Humble和PX4飞控实现无人机圆形轨迹控制,涵盖从环境配置、Gazebo仿真到C++代码实现的完整流程。通过实战教程,读者将掌握轨迹跟踪仿真的核心技术,包括ROS2与PX4的通信接口、圆形轨迹算法设计及Gazebo仿真调试技巧。

weixin_29056781的博客 257

对APICloud的认识及与DCloud的简单对比

APICloud是一家移动应用云服务提供商。它为开发者从“云”和“端”两方面提供API模块服务,它帮助开发者把“重复造轮子”的开发环节架构好,简化了移动应用的开发技术,缩短开发周期。 APICloud成立于2014年初,两位创始人刘鑫和邹达出自同一家面向企业级市场的移动应用开发公司(APICloud联合创始人兼CTO 邹达)。从面向企业级市场的移动应用开发商到移动应用云服务提供商的角色变

大牛的IT征程 1万+

获取本机正版windows10激活密钥,以及正版office

本方法面向的是以前买过笔记本电脑给你预装了正版系统,激活了正版office(一般是家庭版)的情况,其他情况请自行尝试。

qq_45774917的博客 2万+

移动混合开发DCloud和APICloud对比分析

最近因为项目需要,研究了一下市场较为流行的四种移动开发平台:Wex5、APPcan、Dcloud、APICloud,Wex5因为界面UI较为老旧,且语法和js有较大出入,APPcan不开源等缘故,主要深入研究分析了一下DCloud和APICloud,DCloud是专注于发展HTML5的,而APICloud是更关心iOS和Android的跨平台App开发。这两者之间的恩怨就不多做介绍了,我总结了一张...

wan小小冰的博客 9526

国产大模型编程能力深度分析报告(2026年5月更新版)

2026年5月国产大模型编程能力报告显示,主流模型迎来重大升级。DeepSeek V4以1.6T参数创性能新高,Qwen3.6-Plus支持原生多模态编程,MiniMax M2.7转向闭源并优化Agent编码,Kimi K2.6成为商业化成熟的主力模型,GLM-5开源并涨价30%。阿里云百炼推出双轨订阅体系,区分团队和个人开发者需求。各模型在参数规模、上下文长度、性能表现和适用场景上各具优势,国产AI编程服务正加速向订阅制转型,成本效益显著提升。

Willin Wang 的全栈升级指南 1652

光学仿真案例(4) 基于纳米微粒激发平面波的米氏散射FDTD仿真模拟

本案例展示了一个基于纳米粒子激发平面波的米氏散射仿真模型(mie scattering),计算其散射和吸收截面、局域场增强和远场散射分布,同时将截面和远场结果与解析解进行了比较,验证了仿真模拟的准确性。

q895235273的博客 3593

webapp结合Dcloud平台打包图文教程

前言 最近一直有BUI Webapp的开发者在问, webapp如何打包? 这本身是属于第三方平台的事, 既然有开发者在问, 那我们针对这个问题, 也想对Webapp的打包做个总结, 本文适用于任何的H5打包, 如果你是使用BUI开发的Webapp, 那会更加简单. 最后会有不同平台的打包效果对比, 可以下载安装测试. BUI Weba...

weixin_34146805的博客 1160

别再死磕NFP了!用Python+遗传算法搞定异形件自动排版(附完整代码)

本文介绍了如何利用Python和遗传算法实现异形件智能排版,解决传统NFP方法计算复杂的问题。通过Shapely库处理几何运算和DEAP库搭建遗传算法框架,结合模拟退火策略避免局部最优,显著提升材料利用率。附完整代码和优化技巧,适用于服装裁剪、金属加工等行业。

weixin_26965807的博客 236

DCloud与APICloud的对比

DCloud与APICloud这两家目前应该说是市场占有率和人气较高的国内团队;国内还有一些其他的方案如AppCan、exMobi之类的,但可能是商业运作手法上Big不够,近两年的名气不太大,但各自其实有相当的用户基数。 有一个比较:http://ask.dcloud.net.cn/article/237,抛开其中撕逼的部分,文章中有些观点我是认同的。 ...

weixin_33885253的博客 173

ARM学习 | 紧耦合存储器 (TCM)

TCM 是一种专用的片上存储器,直接与处理器核心耦合。确定性访问:由于不涉及缓存替换或一致性管理,访问延迟固定。高带宽:TCM 通常通过专用总线连接处理器核心,可以提供更高的数据吞吐率。用户管理:TCM 的分配和管理完全由开发者控制,不依赖硬件缓存策略。ARM 处理器中的 TCM 通常分为ITCM(指令紧耦合存储器)和DTCM(数据紧耦合存储器),分别用于存储指令和数据。TCM 是 ARM 处理器中不可忽视的重要特性,在实时系统和高性能嵌入式应用中具有重要地位。

qq_43167806的博客 3329

【25届数字IC秋招总结】面试经验13——豪威科技面试

25届数字ic面试记录———豪威科技

lalala0635的博客 363

从ionic转到APIcloud 和 dcloud.io后的使用感受

自己之前写了一篇关于ionic的编程使用感受。自己是比较推荐推荐使用ionic的。 最近忽然发现国内有一个叫dcloud的混合应用编程产品,起初并没有听说过这个产品,因为刚开始用的是一个叫APIcloud的产品。 话说APIcloud用了几天之后有喜有悲: 悲的是: 1. 原生的前端界面个人感觉比较低档次。 2. 真机调试的时候,感觉卡顿明显,...

weixin_34216036的博客 618

HSM 网络安全 信息安全

HSM HSM信息安全功能 汽车电子网络安全中HSM 的应用场景 选择适合汽车电子网络安全的 HSM 符合汽车安全标准和法规要求的HSM HSM 在汽车电子网络安全中的可靠性和安全性 评估汽车电子网络的安全性 汽车 HSM(Hardware Security Module)模块开发 汽车 HSM(Hardware Security Module)模块测试

天赐好车的博客 1238

前端最常用的移动App开发方式及技术栈详解

前端最常用的移动App开发方式及技术栈详解 混合App相关技术 共同点: 把网页打包成移动 App,使 Web 程序可以访问手机原生能力。 Cordova Cordova 是Apache软件基金会的一个产品。其前身是PhoneGap,由Nitobi开发,2011年10月,Adobe收购了Nitobi,并且PhoneGap项目也被贡献给Apache软件基金会。Apache在2012年12月,发布了Cordova,截止到2015年12月,最新版面是3.0。 该框架的目标用户群体是原生开发者,其设计初衷是希望

jyn15159的博客 1万+

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

Dcloud开发引用第三方sdk的app小程序扫盲---准备篇

因为业务需求,老大要求写一个demo演示,用h5开发的手机app 使用easylink控制庆科板子的程序。作为一个从未搞过app的人表示一脸懵逼。 花了几天查询资料,发现要搞h5的可以用dcloud和apicloud 这两种国产的开发工具。(当然也可以用其他的组件开发前端app,如:ionic和Enact native结合) 首先,dcloud和apicloud比较一下。真心感觉apiclou

EK306的博客 4121

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Hybrid App开发总结

目前APP主要分为web App、Hybrid App、Native App。2018年有赞退出跨平台工具uniapp(推荐) web App、Hybrid App、Native App三者区别如下: Web App(网页应用) Hybrid App(混合应用) Native App(原生应用) 开发成本 低 ...

h841440416的博客 842

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

uni-app,wex5,APPcan,ApiCloud几款国内webapp开发框架的选型对比

前言 近期,要开一个新的项目,APP类型。最重要的需求就是能够随时调整APP的绝大部分内容,所以,打算使用webapp的方式开发。在这个大前提下,开始了前期技术选型的工作。 看了uni-app,wex5,AppCan,Apicloud,下面就对边看下这几个项目的优劣,帮助大家可以参考。 生态社区特点对比如下: 其技术架构特点对比如下: 整理比较中,中间找资料发现了APIcloud,本来以为是个...

qinmin1的博客 1万+

HyBrid App框架介绍

第一次接触Hybrid App,因为老师要开发一个东西。当初天真,百度了下,第一个出来的就是Wex5……就和之前那啥一样……

Notzuonotdied的博客 2万+

混合app的使用

什么是混合App(Hybrid App) Hybrid App是指介于web-app(网页APP,如京东web)、native-app(原生应用,如手机上面的APP应用)这两者之间的app,它虽然看上去是一个Native App,但只有一个WebView ( WebView,可以类比成iframe ),里面访问的是一个Web App,就是包了个客户端的壳,其实里面是HTML5的网页。 混合开发简介 现在app开发方类型有几种? WebApp:就是在浏览器中运行的web应用 NativeApp:用androi

wyl_gg的博客 955

uni-app跨平台终极解决方案

还在为写完小程序又要写wap,然后又要写H5app而烦恼么,这里有一个框架使你写一套代码,发布多端的解决方案; 没错,他就是uni-app框架,由dcloud出品飞机(http://uniapp.dcloud.io),在做前端小伙伴多少是有用过hbuilder的吧,本人使用了三年多,感觉对前端支持很友好,听说现在官网出了抽奖活动,大家不要错过哦! 最后送上抽奖地址:DCloud社区回馈抽奖活动...

qq_34290342的博客 2523

WebApp NativeApp HybirdApp

一、混合式开发对比现在流行的三种APP:webApp NativeApp HybridApp(1)、WebAPP: (移动端网站)* 不需要下载安装,通过移动端浏览器来访问* HTML5+CSS3+JS;Web前端开发人员* 开发成本低,更新维护迭代成本也很低,使用成本低,跨平台* 较为依赖网络,流畅度较低,吃性能* 不能调用设备的原生功能(2)、NativeAPP:* 需要下载安装,打开访问* ...

weixin_30236595的博客 203

“一套代码,多端运行”靠谱么?

“一套代码,多端运行”,是用人企业和开发者们的共同愿景。用人单位要节省成本,开发者要“偷懒”。 当下也有许多的“跨平台解决方案”存在,那么“一套代码,多端运行”真的靠谱吗? 关于这个问题,我有专门去各个开发群跪请各位“大佬”赐教,下面是正反两方阵营所表达的观点: 正方: (JAVA大佬,客串前端)学习成本低,而且人员成本也低,就这个优点而言,就会有很多对应用要求不苛刻的公司去使用吧;...

黄河爱浪的博客-专注CSS,jQuery,uni-app领域 4699

Hybrid混合开发学习笔记(2)开发框架

一、开发框架选型 1、混合应用开发框架横向对比 目前可供选择的混合应用开发框架大致可以分为五类:基础框架、脚手架、原生编译框架、开发平台、自研框架。 基础框架 基础框架是指以 WebView 与原生 API 交互为核心的经典混合应用开发框架,典型代表是 Cordova、Phonegap,早期还有 Interl XDK,不过已经停止维护。 Cordova 提供了跨平台的交互机制、插件机制...

bihansheng2010的博客 1645

DCloud与APICloud的对比选择

这两家目前应该说是市场占有率较高的国内团队。 DCloud官网上有一个比较:http://ask.dcloud.net.cn/article/237,抛开其中撕逼的部分,文章中基本观点我是非常认同的。 在此请允许我摘抄一些: 关于HTML5的重视力度不同 DCloud是专注于发展HTM...

chuliaoqiao4046的博客 1616

几款移动跨平台App开发框架比较

整理目前流行的跨平台WebApp开发技术的特点,仅供参考。 每个框架几乎都包含以下特性: 使用 HTML5 + CSS + JavaScript 开发; 跨平台重用代码; 丰富的UI库; 提供访问设备原生API的 JavaScript API 包装器; 解决原生开发中机型适配的难题; 提供打包、部署的工具或服务; 都需要学习自身封装的 JavaScript API; 筛选框架的要求...

飞上云端看彩虹 5万+
上一篇: 简单分页功能的实现
下一篇: apicloud传输安全以及app开发一些小注意点
泰穆格尔赛
博客等级 码龄10年 9粉丝 6原创
评论 5
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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