关于web自动化过程中滑块解锁问题以及页面滚动的问题的研究
ztj100 2025-05-22 14:58 50 浏览 0 评论
滑块解锁
该问题主要源于各个平台的登录验证或者针对爬虫或selenium的一种防范手段。由于各个网站的防爬技术的提高,常规selenium似乎无法通过滑块验证,以下提供普遍的滑块验证思路,以供参考:
- 获取滑块本身的元素以及滑块所在长条的元素
- 根据滑块元素的size和所在矩形元素的size便能得到滑块的偏移量
- 使用selenium库中的actionChains中的click_and_hole和move_by_offset来控制滑块行动
根据滑块本身的大小以及承载滑块的div的大小来获取偏移量offx
slide1_back = self.find_ele_is_presence(_slide1_back_locate)
slide1_span = self.find_ele_is_presence(_slide1_span_locate)
获取滑块的起始坐标location
start_location = slide1_span.location
# 获取滑块所在长条的长宽大小
background_size = slide1_back.size
4.滑块的滑动范围[开始位置的横坐标减去滑片的宽度],由于是平移所以纵坐标没有变化
x_location = background_size["width"] - start_location["x"]
y_location = start_location["y"]
然后通过对滑动轨迹:即一定时间内滑动的偏移量的变化,来模拟真人操作,试图通过检测
def ease_out_quad(x):
return 1 - (1 - x) * (1 - x)
def ease_out_quart(x):
return 1 - pow(1 - x, 4)
def ease_out_expo(x):
if x == 1:
return 1
else:
return 1 - pow(2, -10 * x)
def get_tracks(distance, seconds):
"""
:param distance: offset
:param seconds: 拉动时间
:return:
"""
tracks = [0]
offsets = [0]
# print("np_value:", np.arange(0.0, seconds, 0.1))
for t in np.arange(0.0, seconds, 0.1):
offset = round(ease_out_quart(t / seconds) * distance)
tracks.append(offset - offsets[-1])
offsets.append(offset)
return offsets, tracks
结论
遗憾的是,有些网站的滑块检测条件极为苛刻又难以捉摸,即使使用了随机暂停,加速度变化等操作来模拟真人滑动,还是无法通过检测。疑似要通过人工智能的方式来解决。
浏览器页面滚动
使用JS进行滚动
因为一般滚动条都不作为单独的元件出现,而是附庸在某个div或table上,当这些元件展示内容过多时便会自动出现滚动条,所以难以通过selenium定位然后actionChains调用方法进行拖拽的方式控制页面滚动,需要通过JS来完成对滚动条的操作。
常见JS
- 针对整个页面进行滚动
def test_scroll_to():
chromeOptions = webdriver.ChromeOptions()
chromeOptions.add_argument('--start-maximized')
driver = webdriver.Chrome(chromeOptions)
driver.get('https://www.jd.com/')
n=1
while True:
# driver.execute_script(f"document.body.scrollTop = {100*n};")
driver.execute_script(f"window.scrollTo({(n-1)*50}, {n*50})")
n+=1
针对单个元素的内嵌滚动条进行滚动
document.querySelector('.page-content').scrollTo(0,300)
document.querySelector('.ant-table-content').scrollTo(-100,0)
通过定位到存在内嵌滚动条的元件,然后使用scrollTo(x,y)进行滚动。
推荐学习
测试开发北京周末线下高薪私教班开课啦!!!内容全面升级,新增小班私教、1v1私教内容,让同学们在学技术的同时,软技能也同步得到提升。
4 个月 30+ 项目实战强化训练,资深测试架构师、开源项目作者亲授 BAT 大厂前沿最佳实践,带你一站式掌握测试开发必备核心技能(对标阿里P6+)!直推 BAT 名企测试经理,模拟面试+面试复盘跳槽无忧!
相关推荐
- 其实TensorFlow真的很水无非就这30篇熬夜练
-
好的!以下是TensorFlow需要掌握的核心内容,用列表形式呈现,简洁清晰(含表情符号,<300字):1.基础概念与环境TensorFlow架构(计算图、会话->EagerE...
- 交叉验证和超参数调整:如何优化你的机器学习模型
-
准确预测Fitbit的睡眠得分在本文的前两部分中,我获取了Fitbit的睡眠数据并对其进行预处理,将这些数据分为训练集、验证集和测试集,除此之外,我还训练了三种不同的机器学习模型并比较了它们的性能。在...
- 机器学习交叉验证全指南:原理、类型与实战技巧
-
机器学习模型常常需要大量数据,但它们如何与实时新数据协同工作也同样关键。交叉验证是一种通过将数据集分成若干部分、在部分数据上训练模型、在其余数据上测试模型的方法,用来检验模型的表现。这有助于发现过拟合...
- 深度学习中的类别激活热图可视化
-
作者:ValentinaAlto编译:ronghuaiyang导读使用Keras实现图像分类中的激活热图的可视化,帮助更有针对性...
- 超强,必会的机器学习评估指标
-
大侠幸会,在下全网同名[算法金]0基础转AI上岸,多个算法赛Top[日更万日,让更多人享受智能乐趣]构建机器学习模型的关键步骤是检查其性能,这是通过使用验证指标来完成的。选择正确的验证指...
- 机器学习入门教程-第六课:监督学习与非监督学习
-
1.回顾与引入上节课我们谈到了机器学习的一些实战技巧,比如如何处理数据、选择模型以及调整参数。今天,我们将更深入地探讨机器学习的两大类:监督学习和非监督学习。2.监督学习监督学习就像是有老师的教学...
- Python 模型部署不用愁!容器化实战,5 分钟搞定环境配置
-
你是不是也遇到过这种糟心事:花了好几天训练出的Python模型,在自己电脑上跑得顺顺当当,一放到服务器就各种报错。要么是Python版本不对,要么是依赖库冲突,折腾半天还是用不了。别再喊“我...
- 神经网络与传统统计方法的简单对比
-
传统的统计方法如...
- 自回归滞后模型进行多变量时间序列预测
-
下图显示了关于不同类型葡萄酒销量的月度多元时间序列。每种葡萄酒类型都是时间序列中的一个变量。假设要预测其中一个变量。比如,sparklingwine。如何建立一个模型来进行预测呢?一种常见的方...
- 苹果AI策略:慢哲学——科技行业的“长期主义”试金石
-
苹果AI策略的深度原创分析,结合技术伦理、商业逻辑与行业博弈,揭示其“慢哲学”背后的战略智慧:一、反常之举:AI狂潮中的“逆行者”当科技巨头深陷AI军备竞赛,苹果的克制显得格格不入:功能延期:App...
- 时间序列预测全攻略,6大模型代码实操
-
如果你对数据分析感兴趣,希望学习更多的方法论,希望听听经验分享,欢迎移步宝藏公众号...
你 发表评论:
欢迎- 一周热门
- 最近发表
- 标签列表
-
- idea eval reset (50)
- vue dispatch (70)
- update canceled (42)
- order by asc (53)
- spring gateway (67)
- 简单代码编程 贪吃蛇 (40)
- transforms.resize (33)
- redisson trylock (35)
- 卸载node (35)
- np.reshape (33)
- torch.arange (34)
- npm 源 (35)
- vue3 deep (35)
- win10 ssh (35)
- vue foreach (34)
- idea设置编码为utf8 (35)
- vue 数组添加元素 (34)
- std find (34)
- tablefield注解用途 (35)
- python str转json (34)
- java websocket客户端 (34)
- tensor.view (34)
- java jackson (34)
- vmware17pro最新密钥 (34)
- mysql单表最大数据量 (35)