appium无法控制app内向下滑动

慕飒潇湘 2021-07-02 15:01:38

这是appium的日志,没有错误信息

caps = dict()
caps['platformName'] = "Android"
caps['platformVersion'] = "9"
caps['deviceName'] = "75d04f28"
caps['appActivity'] = 'com.luckin.client.main.splash.SplashActivity'
caps['appPackage'] = "com.lucky.luckyclient"
caps['noReset'] = True

driver = webdriver.Remote('http://127.0.0.1:4723/wd/hub', caps)
time.sleep(10)
el1 = driver.find_element_by_id("com.lucky.luckyclient:id/menu_page")
el1.click()
time.sleep(2)
el2 = driver.find_element_by_id("com.lucky.luckyclient:id/fl_home_select_more_dept")
el2.click()

#print(driver.page_source)
time.sleep(2)

#
def getSize():                               #获取当前的width和height的x、y的值
    x = driver.get_window_size()['width']   #width为x坐标
    y = driver.get_window_size()['height']  #height为y坐标
    return (x, y)

#屏幕向下滑动
def swipeDown(t):
     l = getSize()
     x1 = int(l[0] * 0.5)  #x坐标
     y1 = int(l[1] * 0.25)   #起始y坐标
     y2 = int(l[1] * 0.75)   #终点y坐标
     driver.swipe(x1, y1, x1, y2, t)
swipeDown(200)

 

...全文
1256 6 打赏 收藏 转发到动态 举报
写回复
用AI写文章
6 条回复
切换为时间正序
请发表友善的回复…
发表回复
清安无别事 2021-10-20
  • 打赏
  • 举报
回复

你德调用方法呀,大哥

慕飒潇湘 2021-10-20
  • 举报
回复
@清安无别事 我这还没调用方法????
清安无别事 2021-10-20
  • 举报
回复
@慕飒潇湘 我的,没咋仔细看下面了
慕飒潇湘 2021-08-11
  • 打赏
  • 举报
回复

没有吧,你确定?

w2q123 2021-08-11
  • 打赏
  • 举报
回复

y的起始坐标和结束坐标,写反了。

慕飒潇湘 2021-08-11
  • 举报
回复
@w2q123 没有吧,你确定?
内容概要:本文提出了一种结合在线鲁棒主成分分析(RPCA)模型与长短期记忆(LSTM)循环网络的商品需求预测方法,并提供了完整的Python代码实现。该方法首先利用RPCA模型对原始商品需求时间序列进行分解,分离出低秩的潜在趋势成分与稀疏的异常波动成分,有效实现数据去噪与异常值修正,提升输入数据的鲁棒性;随后将净化后的数据输入LSTM网络,充分挖掘时间序列中的长期依赖关系与时序模式,从而提高对未来需求的预测精度。整个模型设计针对实际商业场景中普遍存在的数据噪声大、波动剧烈、突发性事件干扰等问题,展现出较强的稳定性与预测能力。文中通过实验验证了该混合模型在多个指标上优于传统统计模型及单一LSTM模型,体现了其在复杂环境下的优越性能。; 适合人群:具备一定Python编程能力和机器学习基础知识,从事数据分析、供应链管理、电商运营、零售优化及相关领域研究的研发人员或研究生;特别适合关注时间序列预测、深度学习建模以及鲁棒数据处理技术的技术人员。; 使用场景及目标:①应用于电商平台、零售企业或制造行业中的销量预测,以支持库存优化、生产计划制定与物流调度决策;②为科研工作者提供一种融合鲁棒统计与深度学习的预测建模范例,推动高噪声环境下预测算法的创新与复现研究;③帮助开发者深入理解RPCA与LSTM的集成机制,掌握复杂预测模型的构建、训练与调优流程。; 阅读建议:建议读者结合所提供的Python代码逐步实现模型,重点理解RPCA在数据预处理阶段的作用机制以及LSTM网络的结构设计与超参数配置。学习过程中应在真实或模拟数据集上复现实验结果,对比不同参数设置下的模型表现,以深化对模型内在工作原理的理解。同时可进一步探索其他深度学习模型(如GRU、Transformer)与鲁棒分解方法(如VMD、STL)的融合可能性,拓展应用场景。

5,227

社区成员

发帖
与我相关
我的任务
社区描述
软件工程/管理 质量管理/软件测试
功能测试压力测试安全性测试 个人社区 湖南省·长沙市
社区管理员
  • 软件测试
  • 虫无涯
  • 小博测试成长之路
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告

欢迎大家加入到软件测试的社区,在这里,希望大家勇于发表自己的看法,欢迎大家分享自己在软件测试工作过程中遇到的问题以及工作经验分享。

1.想转行的小伙伴,遇到问题没有及时回复的,可以私聊小博进行反馈

2.大家对社区有好的建议,都可以在社区发帖进行反馈

推荐大家学习的软件测试入门笔记:软件测试入门学习笔记

试试用AI创作助手写篇文章吧