GKD-Kit项目中微信支付完成页面自动化点击失效问题分析
2025-05-06 06:00:41作者:贡沫苏Truman
问题背景
在GKD-Kit项目中,用户反馈了一个关于微信支付完成页面自动化操作失效的问题。具体表现为:原本能够正常工作的自动点击"完成"或"返回商家"按钮的功能,在最近的版本中突然无法触发,同时悬浮按钮也无法正常显示。
技术现象
通过分析日志和用户提供的快照,可以观察到以下现象:
- 规则匹配失效:原本能够正确匹配支付成功页面的规则突然无法触发
- UI元素变化:微信支付完成页面的UI结构可能发生了变化
- 安全限制:悬浮按钮无法显示,表明微信可能增加了安全防护措施
问题原因
经过技术分析,发现主要原因有两点:
-
UI结构变更:微信支付页面的视图层级发生了变化,原有的选择器无法准确定位目标元素。特别是"支付成功"文本和金额显示元素现在被包含在一个具有特定vid属性(container_layout)的容器中。
-
安全策略升级:微信应用为支付相关页面添加了安全标记,导致GKD-Kit的悬浮按钮无法正常显示,这是微信为防止自动化操作而采取的安全措施。
解决方案
针对UI结构变更问题,可以通过修改选择器表达式来适应新的页面结构。具体修改方案是:
- 为文本匹配条件添加层级关系约束,确保只匹配特定容器内的元素
- 使用vid属性作为定位依据,提高选择器的准确性
- 保留原有的文本匹配条件,但增加父容器约束
修改后的规则示例:
{
"matches": [
"[childCount=0][text=\"支付成功\"] <<n [vid=\"container_layout\"]",
"[childCount=0][text*=\"¥\"||text*=\"¥\"] <<n [vid=\"container_layout\"]",
"[text=\"完成\"||text=\"返回商家\"]"
]
}
技术建议
-
版本兼容性:在开发自动化规则时,应考虑不同版本应用的兼容性问题,特别是对于频繁更新的主流应用如微信。
-
防御性编程:规则设计时应尽量使用更稳定的定位方式,如vid等唯一标识,而非仅依赖文本或简单的层级关系。
-
安全限制应对:对于应用添加的安全防护措施,应尊重其设计意图,在合规的前提下寻找替代方案。
-
持续监控:建立自动化测试机制,及时发现并修复因应用更新导致的规则失效问题。
总结
这个案例展示了在自动化测试和UI自动化领域常见的挑战:目标应用的UI变更和安全防护措施。通过分析问题原因并调整规则策略,可以有效解决这类兼容性问题。同时,这也提醒开发者需要持续关注目标应用的变化,及时调整自动化方案。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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
最新内容推荐
TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南 32位ECC纠错Verilog代码:提升FPGA系统可靠性的关键技术方案 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 全球GEOJSON地理数据资源下载指南 - 高效获取地理空间数据的完整解决方案 JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南 IK分词器elasticsearch-analysis-ik-7.17.16:中文文本分析的最佳解决方案 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 ONVIF设备模拟器:开发测试必备的智能安防仿真工具 STM32到GD32项目移植完全指南:从兼容性到实战技巧
项目优选
收起
deepin linux kernel
C
26
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
421
3.22 K
Ascend Extension for PyTorch
Python
230
261
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
330
暂无简介
Dart
685
160
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
266
326
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.22 K
666
仓颉编译器源码及 cjdb 调试工具。
C++
136
869