墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
900+累计阅读
967平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
总结几个我遇到的定位不到元素的情况
一、属性+层次定位
这种情况如果直接写：driver.find_element_by_id(“logout”).click() 是找不到这个元素的，应该采用以下方式定位：driver.find_element_by_xpath("//*[@id=‘logout’]/a").click()
二、跳转到frame中
这种情况就需要先跳转进frame框架中：driver.switch_to_frame(“ifrm”)
再用普通的定位方法找到元素：driver.find_elements_by_class_name(“lbl”)
从隐私保护到生命守护：CPD技术中的传感器选择与权衡
本文探讨了智能座舱中儿童存在检测（CPD）技术的传感器选择与隐私保护平衡策略。通过分析毫米波雷达、UWB等先进技术的性能与隐私风险，揭示了如何在确保儿童安全的同时保护用户隐私。文章还展望了CPD技术与座舱生态系统的未来融合趋势，为汽车安全领域提供了重要参考。
python 元素定位遇到的问题
问题一：运行以下代码，报错：selenium.common.exceptions.NoSuchElementException: Message: no such element: Unable to locate element: {"method":"css selector","selector":".btn self-btn bg s_btn"} from selenium import webdriver import time driver = webdriver.Chrome() driv
告别密码烦恼：用Windows Server NPS给公司Wi-Fi和有线网加一道MAC地址白名单（附H3C交换机配置）
本文详细介绍了如何利用Windows Server NPS（网络策略服务器）与H3C交换机实现MAC地址白名单认证，为企业Wi-Fi和有线网络提供零密码安全方案。通过配置NPS服务器、网络策略及H3C交换机联调，实现无感知认证体验，降低运维负担，同时满足审计追溯需求。适用于中小企业网络管理，提升安全性与便捷性。
UI自动化之selenium元素定位不到问题分析及解决办法
在编写ui自动化时，经常发生定位不到元素的情况。总结了以下几种情况及解决办法： 表单嵌套 打开了新的窗口 元素当前不可见 元素定位方式不唯一，或者没有该元素。 xpath定位方式错误 1. 表单嵌套原因 找到原因 顺着定位元素往上找，查看是否有<iframe>标签，找到说明要定位此元素，需先切换到此表单，在定位元素。 解决方法 需使用switch_to_frame("name值")switch_to_frame("id值") driver = webdriver.
解决UE5像素流三大痛点：鼠标锁定/双光标/自动播放（附app.js魔改指南）
本文针对UE5像素流服务在实际应用中常见的鼠标锁定、双光标和自动播放三大交互痛点，提供了深入的技术分析和解决方案。通过详细解析app.js源码，指导开发者如何修改控制方案、修复光标显示以及实现静音自动播放，旨在提升Pixel Streaming应用的用户体验与专业度。
python-调用动态链接库dll/so的方法
使用python ctyeps CDLL来调用linux下的so动态链接库或windows下的dll动态链接库
pycharm+selenium自动化登录报错，无法定位元素
我哭辽，定位元素这个，我差点被它整崩溃了，弄了一上午都搞不定，看了很多，真的很想把它拎出来打一顿！！！迫不得了只能重新调整心态搞，结果成功了！！ 报错如下： selenium.common.exceptions.NoSuchElementException: Message: no such element: Unable to locate element: {“method”:“css selector”,“selector”:"[id=“userName”]"} (Session info:.
手把手用ROS实现Ego-Planner动态避障：无人机撞树问题终结方案
本文详细介绍了如何在ROS和Gazebo仿真环境中，通过配置和调优Ego-Planner算法，实现无人机的动态避障功能。文章深入解析了其基于局部梯度优化的核心思想，提供了从环境搭建、参数详解到代码集成的完整实践指南，并分享了实战排错经验，旨在彻底解决无人机在复杂动态场景中的碰撞问题。
selenium+python自动化过程中的一个小问题
在做web自动化测试时，使用xpath定位页面元素，执行python脚本报错： 查看报错的地方，并没有发现有什么问题，源代码如下： driver.find_element_by_xpath('//*[@id='refAareaType']/div/div/ul/li[3]/a/span[1]').click() 经过查看文档，我使用的是python2.7，这里是支持两个单引号的，
YOLO26 改进 | （教师：YOLOv8L，学生：YOLO26） | 知识蒸馏 (Knowledge Distillation)
本文介绍了基于YOLO26框架的知识蒸馏实战方法，通过教师模型指导学生模型训练，在不增加推理成本的情况下提升模型精度。文章详细阐述了基于响应的知识蒸馏实现方案，通过最小化教师与学生模型预测Logits间的KL散度实现知识迁移。核心实现包括：1) 创建DistillationModel包装器类，同时运行师生模型；2) 自定义DistillationLoss，在原检测损失基础上增加KL散度损失。该方法适用于希望保持YOLO26轻量级特性同时获得接近大模型精度的场景，文中提供了完整的代码实现方案。
2026 AI浏览器Agent终极对比：BrowserAct、agentBrowser、PP-Browser 谁更适合落地？（安装+实战+场景全覆盖）
1.不要盲目追求最新框架：很多人跟风用agentBrowser，结果业务是多步骤复杂办公流程，反而不如BrowserAct稳定；2.风控场景优先PP-Browser：但凡需要登录账号、频繁访问正规平台，无脑选PP-Browser，能避开99%的封禁问题；3.AI批量解析优先agentBrowser：做知识库爬取、网页内容总结、批量问答，省Token就是省成本，长期使用性价比碾压另外两者；4.个人开发调试优先BrowserAct：容错高、日志全、调试简单，新手上手最快，不容易报错翻车。
解决Selenium中用find_elements_by_xpath()无法获取属性值问题
首先现在Selenium的版本升级，现在查找页面元素的方法都会被显示横线，例如： 我们应该使用以下的写法： （先导入By模块） from selenium.webdriver.common.by import By value中就是输入我们想要查找的元素即可！ 今天我刚好使用selenium的xpath的方法提取属性值，我发现找不到对应的属性值，平常我是这样写的： yanzhengma_image=driver.find_elements(by=By.XPATH, value='/htm
秋招突击——笔试整理——8/25——拼多多笔试整理
继续加油！ 转变思维，有简单到复杂，由直观到抽象，这种贪心模拟的题目一直是这样的！
【python实用小脚本-342】爆文流水线机密｜Facebook群组运营者必备的多群同步发帖脚本（日省2小时）（建议收藏）
本文以HR转型技术自媒体人的独特视角，深度解析了一个Facebook多群组自动发帖的Python脚本。文章从社群运营的重复劳动痛点切入，展示了如何通过Selenium和WebDriverManager将90分钟的手工发帖压缩至2分钟，详细拆解了类封装、安全输入、元素定位等核心技术，并提供了微信社群改造、智能变量插入、定时任务调度等三大扩展方案。代码工程化程度高，适合Python初学者进阶学习面向对象编程与自动化测试思想，更帮助社群运营者、跨境卖家、海外HR实现内容分发的规模化与标准化。
华为的C语言编程规范.pdf
华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
Python selenium根据class定位页面元素
尽管如此，小爬还是鼓励你们，在实际工作中，每种定位元素的方法都要学会，很多时候，你会发现你精心写的方法一不小心就不灵了，这个时候掌握多种定位方法，就显得尤为重要了。生成的代码复制后，针对此场景可以直接拿来用，但是鉴于现在的网页更新非常频繁，建议还是要在w3c下简单学习下xpath、css selector等重要方法，那样我们可以写出非常灵活的代码，对页面的细微调整会有更强的适应性。需要注明的是，使用上述方法，即使这网页中样的元素只有一个，得到的依旧是一个list对象，只不过长度为1.
win10 跳过U8环境检测的IE WebControls.rar
win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。
python元素定位的八种方法_Selenium元素定位的八种方法
自动化一般需要四步操作：获取元素，操作元素，获取返回结果，断言(返回结果与期望结果是否一致)，最后自动出测试报告。Selenium提供8种元素定位的方法：id,name,class name,link text,xpath,css selector,tag name ,partial link tex。这八种元素定位方法用python语言表示为：find_element_by_id()find_e...
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
Selenium元素定位的八种方法（建议收藏）
自动化一般需要四步操作：获取元素，操作元素，获取返回结果，断言（返回结果与期望结果是否一致），最后自动出测试报告。Selenium提供8种元素定位的方法：id,name,class name,link text,xpath,css selector,tag name ,partial link tex。
python xpath定位元素方法_Python selenium根据class定位页面元素的方法
在日常的网页源码中，我们基于元素的id去定位是最万无一失的，id在单个页面中是不会重复的。但是实际工作中，很多前端开发人员并未给每个元素都编写id属性。通常一段html代码如下：今天召唤我太多次啦，明天再来调教小度吧！`(*∩_∩*)′这个例子中，最外层的div就没有id属性，此时，可以基于class属性来定位元素。常见的基于class定位元素的selenium写法如下：一、driver.find...
Selenium + Python 自动化测试03（元素定位）
上一篇我们讲述了第一个测试用例脚本的编写。我们对web自动化测试有了一个初步的认识。接着我们详细讲述元素定位方法。Selenium对网页的控制是基于各种前端元素的，在使用过程中，对于元素的定位是基础，只有准去抓取到对应元素才能进行后续的自动化控制，定位元素方法总结归纳一下：8种基本元素定位方式：保证定位到唯一性是目的，这样在执行中才不会出错。
python安装selenium（Firefox和Chrome）+元素定位
python安装selenium和元素定位
python 定位页面元素_Python selenium根据class定位页面元素的方法
在日常的网页源码中，我们基于元素的id去定位是最万无一失的，id在单个页面中是不会重复的。但是实际工作中，很多前端开发人员并未给每个元素都编写id属性。通常一段html代码如下：今天召唤我太多次啦，明天再来调教小度吧！`(*∩_∩*)′这个例子中，最外层的div就没有id属性，此时，可以基于class属性来定位元素。常见的基于class定位元素的selenium写法如下：一、driver.find...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
301
扫一扫
