GKD项目中的选择器匹配问题分析与解决方案
问题背景
在GKD项目中,用户报告了一个关于选择器匹配的特殊问题:某些规则在独立测试时能够正常工作,但当它们被整合到订阅规则中时却无法触发。这种情况在开发基于选择器的自动化工具时并不罕见,但需要深入理解其底层机制才能有效解决。
问题现象
用户提供了两个相似的规则示例:
-
第一个规则用于处理15秒后可跳过的福利广告,选择器为
[text="已观看视频15秒,可获得奖励"] - @[text="跳过广告"],但该规则在订阅中无法触发。 -
第二个规则用于处理不足15秒的广告,选择器为
FrameLayout[id="android:id/content"] >3 @android.widget.ImageView[id =null && text=null && top < 150 && left < 80],这个规则却能正常工作。
技术分析
经过深入分析,我们发现这个问题与GKD的匹配机制有关。在默认情况下,GKD的规则匹配是从当前节点开始向下查找匹配元素。然而,在某些特殊布局中,特别是当目标元素位于较深的节点层级或需要跨层级匹配时,这种默认行为可能导致匹配失败。
解决方案
针对这个问题,GKD提供了一个关键属性matchRoot。当设置为true时,它会改变匹配的起始点,从根节点开始进行匹配,这可以显著提高跨层级匹配的成功率。
具体实现方式如下:
{
"name": "功能类-福利广告-2",
"key": 15,
"desc": "福利广告15秒后跳过, 结束广告.",
"activityIds": "com.qq.e.tg.RewardvideoPortraitADActivity",
"quickFind": false,
"resetMatch": "activity",
"matchTime": 20000,
"matchRoot": true, // 关键解决方案
"rules": [
{
"matches": "[text="已观看视频15秒,可获得奖励"] - @[text="跳过广告"]",
},
],
}
注意事项
-
快速查询(fastQuery)的影响:在某些情况下,
fastQuery属性可能会干扰匹配过程。当规则中包含复杂的选择器或需要跨层级匹配时,建议将fastQuery设置为false。 -
选择器优化:对于需要精确匹配的场景,建议在选择器中添加更多属性限制,如
clickable=true等,以提高匹配的准确性。 -
性能考量:虽然
matchRoot=true可以提高匹配成功率,但它会增加匹配的计算量,可能影响性能。建议仅在必要时使用此选项。
最佳实践
-
对于简单的、在同一层级内的元素匹配,使用默认的匹配方式即可。
-
对于复杂的、需要跨层级匹配的选择器,添加
matchRoot: true属性。 -
当规则不生效时,首先检查选择器是否能在快照中正确标识目标元素。
-
对于包含动态内容的界面,适当增加
matchTime的值以确保有足够时间完成匹配。
总结
GKD项目中的选择器匹配问题往往源于对匹配机制理解不足。通过合理使用matchRoot属性,开发者可以解决大多数跨层级匹配的问题。同时,理解fastQuery等属性的影响也是优化规则的关键。这些经验不仅适用于GKD项目,对于其他基于选择器的自动化工具开发也具有参考价值。
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。C098
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