DrissionPage 项目中查找不存在元素时的性能优化
2025-05-24 20:22:46作者:昌雅子Ethen
问题现象分析
在使用 DrissionPage 进行网页自动化测试时,发现一个性能问题:当查找页面中存在的元素时,速度很快(不到1秒);但当查找不存在的元素时,每次查找需要等待约10秒钟。这种延迟在自动化测试场景中会显著降低执行效率。
问题原因
经过分析,这个问题主要源于 DrissionPage 的默认工作模式。DrissionPage 支持两种工作模式:
- d 模式:直接控制浏览器,通过 CDP 协议与浏览器交互
- s 模式:使用 requests 获取网页源码,再用 lxml 解析
在 d 模式下,当查找不存在的元素时,DrissionPage 会等待较长时间以确保元素确实不存在,而不是因为页面尚未加载完成。这种保守策略虽然提高了可靠性,但牺牲了性能。
解决方案
方案一:切换到 s 模式
对于不需要与页面交互的简单元素查找任务,可以切换到 s 模式:
from DrissionPage import SessionPage
page = SessionPage()
page.get(url)
elements = page.eles(selector)
s 模式的优点:
- 解析速度快
- 资源消耗低
- 适合简单的数据抓取场景
但需要注意:
- 无法执行 JavaScript
- 不能处理动态加载的内容
- 某些情况下可能遇到解析错误(如文档为空)
方案二:调整超时参数
在 d 模式下,可以通过设置 timeout 参数来优化查找不存在元素时的等待时间:
# 设置超时为2秒
found_elements = page.eles(selector, timeout=2)
方案三:混合使用两种模式
对于复杂场景,可以结合使用两种模式:
- 先用 s 模式快速检查元素是否存在
- 如果需要交互,再切换到 d 模式
from DrissionPage import SessionPage, ChromiumPage
# 先用s模式快速检查
s_page = SessionPage()
s_page.get(url)
if s_page.ele('#some-element', timeout=1):
# 如果需要交互,切换到d模式
d_page = ChromiumPage()
d_page.get(url)
# 执行交互操作
最佳实践建议
-
根据任务性质选择合适的模式:
- 纯数据抓取 → s 模式
- 需要交互 → d 模式
-
在 d 模式中合理设置超时时间,平衡可靠性和性能
-
对于已知不存在的元素查找,可以封装工具函数:
def quick_check_element(page, selector):
return page.eles(selector, timeout=1) if page.mode == 'd' else page.eles(selector)
- 监控和记录元素查找耗时,持续优化超时参数
通过以上方法,可以显著提升 DrissionPage 在自动化测试和数据抓取任务中的执行效率,特别是在需要频繁检查元素是否存在的场景下。
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
项目优选
收起
deepin linux kernel
C
24
9
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
🔥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
64
19
暂无简介
Dart
671
155
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++
660
309
Ascend Extension for PyTorch
Python
220
236
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.84 K
React Native鸿蒙化仓库
JavaScript
259
322