DroidBot 使用教程
1. 项目介绍
DroidBot 是一个轻量级的 Android 测试输入生成器,类似于 Monkey,但具有更多的智能和酷功能。它能够向 Android 应用程序发送随机或脚本输入事件,更快地实现更高的测试覆盖率,并在测试后生成 UI 转换图(UTG)。DroidBot 的主要优势包括:
- 不需要系统修改或应用插桩。
- 事件基于 GUI 模型(而不是随机)。
- 可编程(可以自定义某些 UI 的输入)。
- 能够生成 UI 结构和方法跟踪以进行分析。
2. 项目快速启动
2.1 环境准备
在开始使用 DroidBot 之前,请确保您的系统满足以下要求:
- Python(支持 Python 2 和 Python 3)
- Java
- Android SDK(并将
platform-tools目录添加到 PATH 中) - OpenCV-Python(可选,如果您想在
cv模式下运行 DroidBot)
2.2 安装 DroidBot
首先,克隆 DroidBot 的 GitHub 仓库并使用 pip 进行安装:
git clone https://github.com/honeynet/droidbot.git
cd droidbot/
pip install -e .
安装成功后,您应该能够执行 droidbot -h 来查看帮助信息。
2.3 使用 DroidBot
确保您有一个 APK 文件路径,并且设备或模拟器已通过 adb 连接到您的宿主机。然后,您可以启动 DroidBot:
droidbot -a <path_to_apk> -o output_dir
这将生成大量有用的信息,包括 UTG,并将其存储在 output_dir 中。
如果您使用多个设备,可以使用 -d <device_serial> 来指定目标设备。设备的序列号可以通过 adb devices 命令获取。
在某些设备上,您可能需要手动启用 DroidBot 的辅助功能服务。
3. 应用案例和最佳实践
3.1 大规模应用测试
如果您需要测试大量应用,可以使用 -keep_env 选项来避免每次重新安装测试环境。
3.2 自定义脚本输入
您可以使用 JSON 格式的脚本来为某些状态自定义输入。以下是一个脚本示例:
{
"states": [
{
"state_str": "com.example.app:id/login_button",
"event_type": "touch",
"event_data": {
"x": 500,
"y": 1000
}
}
]
}
使用 -script <path_to_script.json> 选项来应用自定义脚本。
3.3 游戏应用测试
对于基于 Cocos2d 或 Unity3d 的游戏应用,您可以使用 -cv 选项来帮助 DroidBot 获取视图信息。
4. 典型生态项目
4.1 AndroidViewClient
AndroidViewClient 是一个用于解析和操作 Android 视图层次结构的工具,DroidBot 在某些情况下会使用它来获取当前的视图层次结构。
4.2 Androguard
Androguard 是一个用于分析 Android 应用程序的 Python 工具,DroidBot 可能会使用它来进行更深入的应用分析。
4.3 The Honeynet Project
The Honeynet Project 是一个致力于研究和开发网络安全工具的组织,DroidBot 是其开源项目之一。
通过以上步骤,您可以快速上手并使用 DroidBot 进行 Android 应用的自动化测试。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C096
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00