294day(Selenium使用补充)

本文深入探讨了Selenium的基本使用方法,包括查找节点、节点交互、动作链、JavaScript应用、获取节点信息、切换Frame、延时等待、Cookies管理、选项卡操作等核心功能。同时介绍了Selenium的高级应用,如JavaScript脚本执行、延时操作、元素交互等,为开发者提供了全面的自动化测试解决方案。

《2018年7月23日》【连续294天】

标题:Selenium使用补充;

内容:

1.查找节点:
单个节点:
find_element_by_id()    根据id获取

find_element_by_name()   根据name值获取

find_element_by_css_selector()    根据CSS选择器获取

find_element_by_xpath()     根据XPath获取

还有:link_text    partial_link_text    tag_name    class_name    

或者  find_element(BY.ID, id),这种形式与上面结果相同;

 

多个节点:
find_elements()

2.节点交互:
例:找到文本框后:send_keys()输入文字   clear()清空文字 

click()   点击按钮

文档:https://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.remote.webelement

3.动作链:
实现一个节点的拖拽:
 

browser.get(url)
source =browser.find......
target =browser.find....
actions =ActionChains(browser)
actions.drag_and_drop(source, target)#要拖拽的节点和拖拽到的目标节点
actions.perform()

文档:https://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.common.action_chains

4.JavaScript:

from selenium import webdriver

browser =webdriver.Chrome()
browser.get('https://www.zhihu.com/explore')
browser.execute_script('window.scrollTo(0,document.body.scrollHeight)')
#将进度条下拉到最底部
browser.execute_script('alert("To Bottom")')
#弹出alert提示框

5.获取节点信息:

 属性:get.attribute()

文本:.text

id,位置,标签名,大小:.id   .location   .tag_name  .size

6.切换Frame:

网页有种节点叫iframe, 就是子frame

想要对它进行操作,就需要

.switch_to.frame()方法

此时,就不能对其他frame进行操作;

 

7.延时等待:

隐式等待:

在DOM中查找结点时,若没有找到,就等待一段时间,在查找,默认时间为零,找不到就抛出异常;

from selenium import webdriver

browser =webdriver.Chrome()
browser.implicitly_wait(10)
browser.get('https://www.zhihu.com/explore')
input =browser.find_element_by_class_name('zu-top-add-question')
print(input)

显式等待:

指定最长等待时间,在时间内查找节点:
 

wait =WebDriverWait(browser, 10)
input =wait.until(EC.presence_of_element_located((By.ID,'q')))
#条件:节点出现
button =wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, '.btn-search')))
#条件:按钮可点击

8.Cookies:
.get_cookies()

.add_cookies()

.delete_all_cookies()

9.选项卡:
 

browser.execute_script('window.open()')
#打开新选项卡
browser.switch_to_window(browser.window_handles[1])
#切换
browser.get('https://www.taobao.com')
browser.switch_to_window(browser.window_handles[0])

 

基于TROPOMI高光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布与浓度定量反演问题。NO₂作为影响空气质量的关键指标,其精确监测对环境保护与大气科学研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的高精度反演已成为该领域的重要研究方向。 本研究构建了一套以深度学习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成多维度特征数据集。该数据集充分融合了不同来源的观测信息,为深入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性与环境预测的可靠性。 在模型架构方面,项目设计了一种多分支神经网络,用于分别处理光谱特征与气象特征等多模态数据。各分支通过独立学习提取代表性特征,并在深层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提高了NO₂浓度反演的整体精度。这种多源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理流程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量与一致性;后期处理则涉及模型输出的物理量转换与结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动与污染物空间格局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科学依据,助力大气环境治理与公共健康保护。 综上所述,本研究通过融合TROPOMI高光谱数据与多模态特征深度学习技术,发展了一套高效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理与决策支持提供了重要的技术工具。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值