90年代Web又重新迴歸 - Max Böck
在諸如音樂或時尚之類的大文化概念中,有些事物常常繞一圈又流行起來了。
在過去十年的大部分時間中,網頁渲染邏輯轉移到了客戶端之後,如今擺錘似乎將再次朝著另一個方向發展。藉助Phoenix Liveview或hey.com等最新的“僅HTML”方法,似乎伺服器端渲染(SSR)再次成為人們關注的焦點。
伺服器確實非常擅長此事,並且透過網路傳送壓縮的HTML可能很快。經典的請求-響應週期也已經演變:HTTP / 2和諸如Turbolinks或即時預載入之類的智慧技術現在要比以前好得多。
承擔渲染UI及其附帶的所有Javascript的責任對於下一代Web應用程式來說將是一個偉大的舊策略。
無程式碼工具
Frontpage和Dreamweaver在90年代非常龐大,因為它們的“所見即所得”介面。人們可以透過拖動框並在其中鍵入文字來建立沒有任何編碼技能的網站。
當然,他們很快發現下面仍然有原始碼,您只是沒有看到它。而且在大多數情況下,這種原始碼是一大堆無程式碼工具自動生成的垃圾,最終未能滿足現代Web的要求。
今天,我們對網路的瞭解已經提高,我們的工具也得到了提高。Webflow是“無程式碼編輯器”獎盃的競爭者之一。它產生的輸出要好得多。
這些工具可能無法替代整個開發人員-複雜的專案仍然需要大量的人力來發揮作用。但是對於所有登陸頁面和營銷站點,這可能是我們認為90年代所見即所得的聖盃。
個人網站
我認為個人網站會重新引起了人們的興趣。許多大型社交媒體巨頭都不再受到青睞,擁有一個網路空間而不是成為十億使用者名稱之一又變得很酷。
我們的數字身份變得越來越重要,人們意識到他們無法控制自己的資料。個人網站在Myspace和Facebook之前的時代非常流行,如今建立個人網站比以往任何時候都更加容易。
諸如Carrd之類的服務提供了一種直接的方法來建立簡單的一頁,它們的數量引起了人們的極大興趣:
部落格也再次受到歡迎,被用作自我營銷工具或只是表達意見。對於那些想在自己的網站上或使用諸如micro.blog之類的平臺部落格的人來說,有很多不錯的選擇,它們提供比Medium&Co.更多的獨立性。
Feed
社交媒體造成的另一個問題是“演算法Feed”的普及。這些社交媒體永遠不間斷地為我們的眼球提供投入,因此我們構建了這些複雜的系統,以便根據我們的興趣為我們生成新的內容。但是這些是巨大的黑匣子,沒有人真正知道有什麼訊號進入其中。投放廣告,“虛假新聞”和一些巨魔,您會發現我們現在都知道的爛攤子。
這就是為什麼許多人渴望以自己的方式來控制閱讀體驗。按時間順序,與個人相關的-定製的可信賴來源雜誌。精選的Feed。
實現類似目標的一種方法是透過無聊的RSS。據說已經死了但又越來越流行的一件事。
另一種可能性是透過人工聯絡而不是演算法來發現新內容。我們已經知道內容的人會推薦同一領域的其他人,從而建立分散的可信資訊叢集。
網站所有者過去常常在搜尋引擎出現之前就透過提供Blogroll 或形成Webrings並連結到其叢集中其他站點的方式來做到這一點。
較小的社群和Web貨幣化
許多獨立的創作者正在從大型的“每個人都在”的平臺轉移回私人的,更利基的社群。諸如Ghost的“會員”功能等會員網站的新模型使創作者可以在其內容上建立社群。人們教授課程,自行出版書籍或提供特定主題的API。
在90年代設有聊天室和留言板的地方,今天有諸如Discord或Twitch之類的工具可以幫助具有共同興趣的人們相互聯絡。這些利基社群可以成為獨立企業的強大使用者群。
當然,獲利的問題從網路開始就已經存在,而如今要不到處散佈廣告來賺錢仍然不容易。但是諸如Web Monetization API之類的新標準可能是一個非常有趣的解決方案,使創作者可以接收其內容的小額付款。
向過去學習
我不知道所有這些趨勢是否都能真正發揮出來,或者我們是否在尋求完全不同的東西。我確實認為,吸取過去的經驗是一個好主意,因為這正是我們不斷前進的動力。
因此,也許第二個90年代可能比第一個更好。至少這次我們已經完成了NSYNC。
相關文章
- 迴歸架構本質,重新理解微服務架構微服務
- 線性迴歸——lasso迴歸和嶺迴歸(ridge regression)
- 迴歸
- 線性迴歸與邏輯迴歸邏輯迴歸
- 迴歸樹
- 對比線性迴歸、邏輯迴歸和SVM邏輯迴歸
- python實現線性迴歸之簡單迴歸Python
- 1.4 - logistic迴歸
- 線性迴歸
- 邏輯迴歸邏輯迴歸
- 機器學習 | 線性迴歸與邏輯迴歸機器學習邏輯迴歸
- 線性迴歸—求解介紹及迴歸擴充套件套件
- 線性迴歸-如何對資料進行迴歸分析
- 又TM遇到傻B了
- 迴歸樹(Regression Tree)
- 無名之人迴歸
- 前言以及迴歸分析
- 1.3 - 線性迴歸
- Pytorch——迴歸問題PyTorch
- Python邏輯迴歸Python邏輯迴歸
- 博主迴歸了
- 邏輯迴歸模型邏輯迴歸模型
- 迴歸分析類別
- Softmax迴歸簡介
- 指標-又見迴文指標
- 對數機率迴歸(邏輯迴歸)原理與Python實現邏輯迴歸Python
- Python學習筆記-StatsModels 統計迴歸(1)線性迴歸Python筆記
- 題解:AT_arc116_b [ARC116B] Products of Min-Max
- 03 迴歸演算法 - 線性迴歸求解 θ(最小二乘求解)演算法
- spss迴歸分析的基本步驟 spss線性迴歸怎麼做SPSS
- Cart迴歸樹、GBDT、XGBoost
- 線性迴歸推導
- 4-線性迴歸
- 線性迴歸實戰
- 詳解迴歸測試
- 1維線性迴歸
- 線性迴歸總結
- 多元線性迴歸模型模型