又是一年四月天，距离上次发布跨端开发框架深度横评已过去整整一年。

这一年，小程序在用户规模及商业化方面都取得了极大的成功。微信小程序日活超过3亿，支付宝、百度、字节跳动小程序的月活也纷纷超过3亿。

对应小程序开发领域，这一年也发生了巨大变化。开发框架从单纯的微信小程序开发，过渡到多端框架成为标配，进一步提升开发效率成为开发者的强烈需求。

这一年 mpvue 停止更新，Taro开始探索 taro next，uni-app 产品和生态持续完善，微信新推出了支持H5和微信小程序的 kbone 框架...

去年的深度横评中很多老将已经退出江湖，一些新秀吸引眼球，因此，是时候来一波2020版的新横评了。

评测目标筛选

跨端框架是一个重投入工作，在各框架的1年多的比拼中，很多框架因为投入不足而逐渐被开发者放弃，uni-app和taro依靠持续的大力度投入，成为了市场主流。

taro 在稳定版的基础之上，最近也推出了 taro next，这2个版本差异较大，本次会分别评测。

kbone 框架虽面世不久，但毕竟是微信官方发布，关注的人不少，故本次将 kbone 加入评测目标。

所以，本次评测的对象（按发布时间排序）：

• 微信原生开发
• taro，京东凹凸实验室出品，官网地址：taro.jd.com/
• uni-app，DCloud出品，官网地址：uniapp.dcloud.net.cn
• kbone，腾讯微信团队出品，官网地址：wechat-miniprogram.github.io/kbone/docs/

本次评测除了运行性能等实测数据外，尽可能得通过框架官网及github、掘金、腾讯课堂等三方社区公开采集数据，希望给大家一个综合全面的评估依据。

功能实现

taro 和 uni-app 是比较典型的多端框架，发布到各个端均可。而 kbone 只支持微信小程序和H5。

taro 和 uni-app 均将常用接口及组件封装了成了跨端API和跨端组件，组件规范沿用微信小程序的规范，部分平台特有API，这两个框架亦有应对方案：

• taro：支持与小程序代码混写，可通过混写的方式调用框架尚未封装的小程序新增API
• uni-app：支持条件编译，可在条件编译代码块中，随意调用各个平台新增的API及组件

taro 和 uni-app 可以不受限的调用各家小程序平台所有的API及组件。

kbone 沿用web的开发习惯，使用html标签及js api；涉及微信特有api时，可通过process.env.isMiniprogram判断环境，然后编写微信原生代码。对于html中没有标签可替代的微信内置组件（如swiper），需要使用 wx-component 标签或者使用 wx- 前缀，这样的内置组件会被包裹一层自定义组件，带来相应的性能开销。

除了接口、组件之外，我们以微信小程序为例，找几个典型能力对比框架支持度：

框架	taro	uni-app	kbone
微信自定义组件	⭕️	⭕️	⭕️
三方插件	⭕️	⭕️	❌
分包加载	⭕️	⭕️	⭕️
sitemap	⭕️	⭕️	⭕️
wxs	❌	⭕️	❌
云开发	⭕️	⭕️	⭕️

补充说明：

• 如果在 Taro 项目引用了小程序原生的第三方组件，那么该项目将不再具备多端转换的能力，例如，如果使用了微信小程序的第三方组件，那么项目只能转换成微信小程序，转义成其他平台会失效，详见taro官网
• uni-app 中使用微信自定义组件的话，支持编译发行到App/H5/微信小程序/QQ小程序4个平台，详见uni-app官网
• taro 不支持 wxs 的依据：#2959
• kbone 不支持微信三方插件的依据：#58；不支持wxs的依据：#129
• 云开发在微信平台，三个框架都支持，但 taro/kbone仅支持微信小程序平台，uni-app支持App/H5/小程序所有平台使用云开发，详见下方 serverless/云开发 章节。

wxs是提升性能体验的重要利器，除了微信小程序的wxs外，还有支付宝的SJS、百度的Filter，这些高级技术 uni-app 均完善支持。参考：谜之wxs，uni-app如何用它大幅提升性能

从如上功能对比来看：微信原生 ~ uni-app > taro > kbone

运行性能(微信小程序)

我们继续沿用去年的测试模型，看看一年来，各家开发框架的性能是否有提升。详细如下：

• 开发内容：开发一个仿微博小程序首页的复杂长列表，支持下拉刷新、上拉翻页、点赞。

• 界面如下：

  

• 开发版本：一共开发了5个版本，包括微信原生版、taro版、uni-app版、kbone版，按照官网指引通过cli方式默认安装。

• taro 目前稳定版本是2.0版，但近期在宣传跨框架的taro next，故我们基于同样的 react代码，同时测试了taro 2.0 和 taro next 两个版本的数据。

• 测试代码开源（Github仓库地址：https://github.com/dcloudio/test-framework）， Tips:若有同学觉得测试代码写法欠妥，欢迎提交 PR 或 Issus

• 测试机型：红米 Redmi 6 Pro、MIUI 11.0.5 稳定版（最新版）、微信版本 7.0.12（最新版）

• 测试环境：每个框架开始测试前，杀掉各App进程、清空内存，保证测试机环境基本一致；每次从本地读取静态数据，屏蔽网络差异。

我们以上述仿微博小程序为例，测试2个容易出性能问题的点：长列表加载、大量点赞组件的响应。

长列表加载

仿微博的列表是一个包含很多组件的列表，这种复杂列表对性能的压力更大，很适合做性能测试。

从触发上拉加载到数据更新、页面渲染完成，需要准确计时。人眼视觉计时肯定不行，我们采用程序埋点的方式，制定了如下计时时机：

• 计时开始时机：交互事件触发，框架赋值之前，如：上拉加载（onReachBottom）函数开头
• 计时结束时机：页面渲染完毕(微信setData回调函数开头)

Tips：setData回调函数开头可认为是页面渲染完成的时间，是因为微信setData定义如下(微信规范)：

测试方式：从页面空列表开始，通过程序自动触发上拉加载，每次新增20条列表，记录单次耗时；固定间隔连续触发 N 次上拉加载，使得页面达到 20*N 条列表，计算这 N 次触发上拉到渲染完成的平均耗时。

测试结果如下：

说明：以400条微博列表为例，从页面空列表开始，每隔1秒触发一次上拉加载（新增20条微博），记录单次耗时，触发20次后停止（页面达到400条微博），计算这20次的平均耗时，结果微信原生在这20次 触发上拉 -> 渲染完成 的平均耗时为538毫秒，最快的uni-app是446毫秒，最慢的kbone是4057毫秒

大家初看这个数据，可能比较疑惑，别急，下方有详细说明

说明1：为何 taro next/kbone 测试数据不完整?

因为 taro next 和kbone 采用的是动态渲染方案，这类方案在页面复杂、组件较多时，会大量增加页面 dom 节点数量，甚至超出微信的 dom 节点数限制（如下告警信息）。我们在 红米手机（Redmi 6 Pro）上实测，页面组件超过600个时，taro next、kbone 实现的仿微博App就会报出运行异常，并停止渲染（页面白屏），故这两个测试框架在组件较多时，测试数据不完整。这也就意味着，当页面组件太多时，无法使用这2个框架。

dom limit exceeded please check if there's any mistake you've made

另外，kbone官网有如下介绍：

kbone 是使用一定的性能损耗来换取更为全面的 Web 端特性支持。

故taro next、kbone的测试数据，明显和taro 2.0、uni-app不是一个量级的。

如果你的应用是长列表场景，那taro next、kbone就明显不太合适。

说明2：为什么测试数据显示uni-app 会比微信原生框架的性能略好呢？

这个问题在去年的测评中，已解释过。为了避免新同学迷惑，这里再次说明一下。

微信原生框架耗时主要在setData调用上，开发者若不单独优化，则每次都会传递大量数据；而 uni-app、taro 都在调用setData之前自动做diff计算，每次仅传递变动的数据。

例如当前页面有20条数据，触发上拉加载时，会新加载20条数据，此时原生框架通过如下代码测试时，setData会传输40条数据

data: {
    listData: []
},
onReachBottom() { //上拉加载
    let listData = this.data.listData;
    listData.push(...Api.getNews());//新增数据
    this.setData({
        listData
    }) //全量数据，发送数据到视图层
}

开发者使用微信原生框架，完全可以自己优化，精简传递数据（每次仅传递变化的20条数据），比如修改如下：

data: {
    listData: []
},
onReachBottom() { //上拉加载
    // 通过长度获取下一次渲染的索引
    let index = this.data.listData.length;
    let newData = {}; //新变更数据
    Api.getNews().forEach((item) => {
        newData['listData[' + (index++) + ']'] = item //赋值，索引递增
    }) 
    this.setData(newData) //增量数据，发送数据到视图层
}

经过如上优化修改后，再次测试，微信原生框架性能数据如下：

从测试结果可看出：

• 经过开发者手动优化，微信原生框架可达到更好的性能；
• uni-app相比微信原生，性能接近，算是一个数量级；并且随着数据量增加，性能消耗增加不明显，从438到454，只有16毫秒的变化
• taro 2.0随着数据量越大，性能损耗随着增大，从595到790，有将近200毫秒的变化；
• taro next和kbone相比之下，差距就比较大了。

这个结果，和web开发类似，web开发也有原生js开发、vue、react框架等情况。如果不做特殊优化，原生js写的网页，性能经常还不如vue、react框架的性能。

也恰恰是因为Vue、react框架的优秀，性能好，开发体验好，所以原生js开发已经逐渐减少使用了。

说明3：为何今年的性能测试数据和去年的不同？

细心的同学会发现，同样的测试手机，同样的测试代码，为何今年的性能数据会比去年的数据有大幅提升？

• taro、uni-app及微信原生，三个框架的数据都有大幅提升，400条记录时，至少都有300毫秒的优化
• uni-app及优化后的微信原生，随着数据量的增加，耗时数据变化并不明显，但去年是很明显的线性增长

其实，通过微信原生工程的数据对比，就能得出结论：2019年，微信针对小程序运行时做了大幅性能优化。

这对开发者来说应该是个好消息，小程序性能体验更佳，可承载更好的用户业务。

复杂长列表加载下一页评测结论：微信原生开发(手动优化) ~ uni-app > 微信原生开发(未手动优化) ~ taro 2.0 > taro next > kbone

点赞组件响应速度

长列表中的某个组件，比如点赞组件，点击时是否能及时的修改未赞和已赞状态？是这项测试的评测点。

测试方式：

• 选中某微博，点击“点赞”按钮，实现点赞状态状态切换（已赞高亮、未赞灰色），
• 点赞按钮 onclick函数开头开始计时，setData回调函数开头结束计时；

在红米手机（Redmi 6 Pro）上进行多次测试，求其平均值，结果如下：

说明：也就是在列表数量为400时，微信原生开发的应用，点赞按钮从点击到状态变化需要26毫秒。

测试结果数据说明：

• taro next/kbone 测试数据不完整的原因同上，在组件较多时，页面已经不再渲染了
• taro 2.0版本、uni-app和微信原生在点赞组件上的性能体验接近，但taro next和kbone有较大的性能差距，这个也是因为动态运行时框架导致的。

组件数据更新性能测评：uni-app ~ taro 2.0 > taro next > kbone

综上，本性能测试做了2个测试，长列表加载和组件状态更新，综合2个实验，结论如下：

微信原生开发(手动优化) ~ uni-app > 微信原生开发(未手动优化) ~ taro 2.0 > taro next > kbone

运行性能（支付宝小程序）

今年新增基于支付宝小程序的性能测试，我们同样按照如上描述，对长列表加载、点赞组件响应两个场景进行测试。

场景1：长列表加载

列表条数	taro 2.0	uni-app
200	1954	850
400	3155	1012
600	4284	1119
800	5278	1258
1000	6555	1452

场景2：点赞组件响应

组件数量	taro 2.0	uni-app
200	38	33
400	34	45
600	37	37
800	40	39
1000	51	48

Tips：

• 因 kbone 不支持其他家小程序，故本次仅测试了 taro 2.0 和 uni-app 的性能数据。
• 基于 taro next 的实现原理，taro next 性能会比 taro 2.0 差不少，这里仅提供 taro 2.0 的数据（上一章节微信小程序的实测数据也已验证了这一推论）
• 支付宝小程序进行自动化性能测试时，请在项目配置中启用 component2 编译 选项

通过如上测试数据，在支付宝小程序的运行性能，uni-app > taro 2.0

跨端支持

这三个框架都是为了解决平台同构问题，跨端的比较是必需的。

taro 和 uni-app 相对比较成熟，支持主流的所有平台。kbone 只支持微信小程序和 Web 端。我们重点比较一下 taro 和 uni-app。

小程序平台

taro 和 uni-app 均支持微信、支付宝、百度、字节跳动小程序，功能基本可以拉齐。

双方都有不少大厂案例，taro有京东、货拉拉、淘票票等公司小程序案例，uni-app有腾讯、华为、vivo、联想、中华英才网等公司小程序案例。

App平台

• 能力方面

taro与微信小程序引擎拉齐度较低，很多功能需要开发者分别在iOS和Android上做原生开发才能实现。比如App端很常见的三方登录、支付、分享等能力，taro并未封装。

uni-app则在基础引擎层面提供了丰富的能力，还提供了丰富的插件市场，可切实提升开发者的效率。

• 性能方面

taro在App端使用了react native的渲染引擎，虽然渲染层ui是原生的，但在实时交互和高响应要求的UI操作方面表现一直不佳，js层和视图层的通信损耗让很多开发者深感无力。

uni-app的App引擎同时给开发者提供了原生渲染引擎和小程序引擎的双选方案，并且提供了renderjs技术，以及支持wxs、bindingx等技术，解决了js层和视图层的通信损耗问题，在高响应要求的UI操作方面有更好的性能表现。比如这类canvas动画：

• 开发体验方面

taro的开发者需自行搭建iOS/Android开发环境，比较繁琐，（官方原文如下）：

如果你之前没有接触过 Android 的开发环境，那么请做好心理准备，这一过程相当繁琐。请 万分仔细地阅读下面的说明，严格对照文档进行配置操作。

uni-app可以做到让前端开发者不依赖原生工程师独立完成App。其开发的小程序，可以更平滑的变成可商用的App。

使用跨平台开发的核心诉求在于提升效率，如果一个App的开发由前端、iOS、Android等3拨工程师协作完成，其实效率反而非常低。

另外，uni-app还提供了uni小程序sdk，这个工具可以帮助原生App快速搭建自己的小程序平台。这是其他框架所未提供的。

H5平台

taro的H5平台在一年来的进步较多，可用性大幅提升。但相比于uni-app，目前仍然缺失对wxs和小程序组件的支持。

快应用

taro支持快应用的时间比uni-app早。

但快应用发展到2020年有了一些变化，uni-app针对新的形势，提供了2个发行到快应用的方案（当前两个版本都处于社区维护状态）：

• quickapp-vue版：使用 Vue开发快应用。此方案由小米主导，但华为快应用暂不支持。
• quickapp-light版：基于小程序架构的快应用（Light版），详见www.hellohub.cn。此方案由华为主导，但小米快应用暂不支持。

跨端灵活性

跨端开发，离不开条件编译。因为不能用统一来抹杀各个平台的特色。

优良的条件编译能力对各端开发的灵活度至关重要，可以让开发者在共享和个性化之间游刃有余。

taro 、uni-app和 kbone 均支持在js代码通过process.env判断平台，然后编写平台特有代码。

taro额外支持统一接口的多端文件编码方式，以及在样式文件中使用ifdef条件编译。

uni-app是全面可条件编译的，目录、文件、配置、组件、js、css，所有一切均可通过ifdef条件编译。

跨端支持小结结论：uni-app > taro > kbone

开发体验

taro、uni-app、kbone均支持cli模式，可以在主流前端工具中开发，且基本都带有d.ts的语法提示库。三个框架均支持vue或react流行框架语法，配套的ide工具链较丰富，着色、校验、格式化完善。

相比微信原生，这三个开发框架的开发体验都更为优秀。

但在开发工具维度上，明显高出一截的框架是uni-app，其出品公司同时也是HBuilderX的出品公司DCloud.io，HBuilderX为uni-app做了很多优化，代码提示、转到定义、easycom、运行调试...故uni-app的开发效率、易用性非其他框架可及。

开发体验维度，对比结果：uni-app > taro,kbone

serverless/云开发

serverless是目前炙手可热的一个概念，被称为下一代的云技术，是真正的”云“。

微信率先将 serverless 技术引入小程序开发领域，即云开发，帮助开发者云端一体的完成业务。随后，支付宝、百度都上线了自己的云开发。根据微信公开的数据，已经有50万开发者在使用微信云开发了。

不过小程序厂家主导的云开发存在一个天然限制，就是和平台绑定过紧，无法和其它平台共享数据。

我们以微信云开发为例，如果你仅开发微信小程序，数据独家存在微信平台，那没问题；但如果你同时还有App或其他家小程序，此时微信小程序的数据存储在微信平台，其它平台的数据存储在开发者自己的服务器上，此时就出现了数据割裂。假设一个用户先使用小程序，个人数据存储在微信平台；有了粘性后升级到App，此时App端无法读取微信平台的数据，则用户就无法查看之前在小程序上的历史数据，甚至在App平台需要重新注册。这种情况对开发者是不利的。

因此，跨端的 serverless 方案才是开发者的最优解。

目前主流框架对云开发的支持情况：

• Taro：仅支持微信小程序，详见小程序云开发模板
• uni-app：DCloud 联合阿里云、腾讯云，提供基于 serverless 模式和 js 编程的云开发平台，支持App/H5/小程序所有平台，详见uniCloud
• kbone：仅支持微信小程序，详见云开发

serverless 维度上，uni-app大幅领先其它框架。

插件市场

一个开发框架能否成功，除了框架自身的高度产品化外，开发者生态的构建也至关重要。

uni-app 于2018年底率先推出插件市场，支持前端组件、js sdk、页面模板、项目模板、原生插件等多种类型，且提供了赞赏、付费购买等手段，刺激轮子作者的创作激情。目前市场上已发布插件接近1500个，众多插件下载量都在万次以上。

Taro 于 2019年5月上线物料市场，目前市场上已发布物料90个；从热门榜单来看，下载量并不大，下载最多的也就数百。

kbone目前还没有插件市场。

Tips:

• 插件数量及下载量数据采集时间为 2020.04.03 16：00

插件市场维度，uni-app独领风骚。

学习资源

除了各大框架官网外，开发者通常还会通过视频教程、社区博客等方式系统学习。

相关学习资源的丰富程度，也能侧面反映一个框架的受欢迎程度，故我们采集了几个三方站点的数据。

视频教程

框架	腾讯课堂	网易云课堂	慕课网
taro	4	1	2
uni-app	16	16	1

Tips：

• 视频教程数据采集时间为2020.04.05 22:00

开发交流

除了入门的学习资源，开发期的交流也很重要，这个我们主要看官方组织的社区和交流群。

社区论坛

uni-app 的问答社区，帖子丰富，沉淀较多；目前已沉淀2万多相关帖子，每日更新帖子数百篇，月uv百万。

对于习惯使用 github issue反馈问题的用户，uni-app同样支持，目前累计有1391个issues。

Taro 早期基于github issue进行产品Bug管理，目前累计已有近4898个issue；后于2019年5月上线开发者社区，和物料市场上线时间相同，目前沉淀1300+帖子，每日更新帖子在10个左右，相关数据计算方法如下：

• 帖子总数：Taro 社区顶部选择板块，计算每个板块下所有主题总数，如下图。
• 每日更新帖子数：根据帖子列表中的最后回复时间，计算24小时内有回复或评论的主题总数

kbone 在微信开放社区中新增了一个Kbone官方框架的专区，因产品发布较晚，目前只有一百多个帖子。

总结一下社区帖子及issue数据，情况如下（采集时间为 2020.04.03 23：00）：

交流群

框架	微信群	QQ群	交流群开发者（预估）
taro	16	-	8k
uni-app	20	40+	90k
kbone	-	1	0.5k

Tips:

• Taro 有16个微信群是根据 Taro 官网上显示Taro 开发交流 15 群 已满推论而出，每个微信群500人，交流群人数： 500*16 = 8000人
• uni-app 官网 QQ群有35个，微信群20个，还有十几个专项QQ群，其中有30个QQ群达到2000人，交流群人数： 30 * 2000 + 5* 1000 + 20*500 + 5000 = 90000人
• kbone 在 github 的 readme中有一个qq交流群，申请加入时显示500人已满

除了交流群外，DCloud对外公布的uni-app的开发者数量达到百万人，暂未看到taro和kbone公布此类数据。

总体而言，开发交流维度比较结果如下：uni-app > taro > kbone

其它指标

github

框架	star	贡献者
taro	24.6k	122
uni-app	19.7k	72
kbone	2.7k	7

在开源社区方面，Taro做的还是非常成功的，它吸引了更多开发者为其贡献代码、文档。

百度指数

通过index.baidu.com，可查看主流框架的搜索指数，它代表了网友的搜索量和相关文章的收录量。目前kbone尚未收录到百度指数中，如下是近期 uni-app 和 taro的百度指数对比图：

结语

所有的评测都只是提供决策依据，最后的结果还是要依赖开发者的团队技术栈、业务诉求、未来规划等。

不过作为一篇评测文章的结语，我们还是要给出自己的建议：

• 如果你熟悉React，不懂Vue.js，推荐Taro；
• 如果你熟悉Vue.js，则推荐 uni-app；
• 如果你已经有H5代码，只想增加微信小程序平台，并且对性能要求不高，可以考虑kbone；
• 如果你的业务涉及多端，更推荐 uni-app；
• 如果你希望通过 serverless 方案快速上线业务，推荐 uni-app。

如有读者认为本文中任何评测失真，欢迎在这里报 issuse。