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。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00