WebDriverManager项目中的NumberFormatException异常分析与解决方案
在使用WebDriverManager进行浏览器自动化测试时,开发者可能会遇到一个特定的异常情况:io.github.bonigarcia.wdm.config.WebDriverManagerException: java.lang.NumberFormatException: For input string: "public"。这个错误通常出现在远程Jenkins环境中,而本地环境却能正常运行。
异常现象分析
该异常表现为WebDriverManager在尝试解析某个字符串为数字时失败,具体是遇到了"public"这个无法转换为数字的字符串。这种情况多发生在以下环境配置下:
- Chrome浏览器版本:122.0.6261.70(64位官方版本)
- WebDriverManager版本:5.7.0
- Selenium Java版本:3.141.59
根本原因
这种异常通常与WebDriverManager的缓存机制有关。当WebDriverManager尝试从远程仓库下载或验证浏览器驱动时,可能会因为缓存中的某些元数据损坏或不完整而导致解析错误。特别是当环境从本地迁移到远程Jenkins环境时,由于环境差异,缓存问题更容易显现。
解决方案
针对这个问题,WebDriverManager的维护者提供了明确的解决方案:
-
确保使用最新版本:确认使用的是WebDriverManager 5.7.0或更高版本。
-
清理驱动缓存:在执行WebDriverManager设置前,显式调用清除缓存的方法。这可以通过以下代码实现:
WebDriverManager.chromedriver().clearDriverCache().setup();
这个方法链式调用首先清除可能损坏的缓存,然后再进行正常的驱动设置。
最佳实践建议
-
环境一致性:尽量保持开发环境和CI/CD环境的一致性,包括浏览器版本和WebDriverManager配置。
-
异常诊断:当遇到类似问题时,应该收集完整的WebDriverManager日志,这有助于更准确地定位问题根源。
-
版本兼容性:虽然Selenium 3.141.59与WebDriverManager 5.7.0可以配合使用,但考虑升级到Selenium 4.x系列可能获得更好的兼容性和新特性。
-
缓存管理:在CI/CD流水线中,特别是使用容器或临时环境时,考虑在每次执行前清理缓存,以避免跨构建的缓存污染。
通过以上措施,开发者可以有效解决这个特定的NumberFormatException异常,确保自动化测试在本地和远程环境中都能稳定运行。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00