Appium/Appium 项目中关于 Android 设备隐藏 API 策略错误的深度解析
问题背景
在移动应用自动化测试领域,Appium 作为一款主流的开源测试框架,经常需要处理各种 Android 设备的兼容性问题。近期,一个典型的问题出现在某些定制化 Android 设备上,当尝试执行特定的 ADB 命令来修改系统设置时,会遇到权限拒绝的错误。
核心错误分析
错误日志显示,当 Appium 尝试通过 ADB 执行以下命令时出现问题:
settings delete global hidden_api_policy_pre_p_apps;
settings delete global hidden_api_policy_p_apps;
settings delete global hidden_api_policy
系统返回了安全异常:
java.lang.SecurityException: Permission denial: writing to settings requires:android.permission.WRITE_SECURE_SETTINGS
这表明测试设备上的 Android 系统对修改这些全局设置有着严格的权限控制,特别是对于 WRITE_SECURE_SETTINGS 这类高危权限。
技术原理深入
隐藏 API 策略是什么
Android 9 (Pie) 引入了对非 SDK 接口(即隐藏 API)的限制。这些 API 虽然存在于系统中,但 Google 不希望开发者使用它们,因为它们可能在未来的版本中发生变化或被移除。
为什么 Appium 需要修改这些设置
在自动化测试场景中,被测应用可能需要访问一些隐藏 API 才能正常工作。Appium 尝试通过修改这些策略设置来放宽限制,确保测试能够顺利进行。
设备定制化的影响
许多设备制造商(如 Realme、小米、华为等)会对 Android 系统进行深度定制。这些定制可能包括:
- 修改权限管理系统
- 移除或限制某些系统命令
- 添加额外的安全层
解决方案
推荐方案:忽略策略错误
最直接的解决方案是在 Appium 的 desired capabilities 中添加:
"appium:ignoreHiddenApiPolicyError": true
这个选项会告诉 Appium 跳过对隐藏 API 策略的修改尝试,继续执行后续的测试步骤。
替代方案:手动配置设备
对于需要严格测试隐藏 API 使用情况的场景,可以考虑:
- 在测试前手动配置设备
- 使用已 root 的设备进行测试
- 联系设备制造商获取特殊权限
最佳实践建议
- 设备选择:优先选择接近原生 Android 系统的设备进行自动化测试
- 能力配置:根据设备类型灵活调整 desired capabilities
- 错误处理:在测试脚本中添加适当的异常处理逻辑
- 日志分析:建立完善的日志收集和分析机制,快速定位类似问题
总结
这个问题揭示了移动自动化测试中一个常见的挑战:设备碎片化和厂商定制化带来的兼容性问题。通过理解 Android 系统的权限机制和 Appium 的工作原理,测试工程师可以更有效地解决这类问题,确保自动化测试的稳定性和可靠性。
对于测试团队而言,建立设备兼容性矩阵和问题知识库是长期解决这类问题的有效方法,可以显著提高测试效率和稳定性。
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