Windows自动化应用程序已启动/未启动,有进程无进程情况-拽起应用程序

news/2024/9/16 14:39:45/ 标签: windows, 自动化

问题分析:

  1. 应用程序能够自动登录, 可以打开后自动登录情况
    我的处理方案是:
    先通过 pywinauto打开应用程序,
    然后,关闭前台
    然后通过WinAppDriver去再次连接, 把应用置于前台
    从而继续后面的元素定位
# 需要启动Hworkfrom pywinauto.application import Application# 启动Application(backend='uia').start(path)time.sleep(15)# 发送Alt+F4快捷键, 关闭窗口pyautogui.hotkey('alt', 'f4')
desired_caps = {}
desired_caps['app'] = app
driver = webdriver.Remote(command_executor='http://127.0.0.1:4723', desired_capabilities=desired_caps)
# 默认全局隐式等待设置
driver.implicitly_wait(20)
# 设置启动检查等待,等待搜索
errors = [NoSuchElementException, ElementNotInteractableException, ElementNotVisibleException]
wait = WebDriverWait(driver, timeout=100, poll_frequency=2, ignored_exceptions=errors)
wait.until(EC.visibility_of(driver.find_element(by=By.NAME, value="搜索")))
# 强制等待
time.sleep(2)
return driver

可以先调用第一个方法, 然后 在调用第二个方法

下一章节, 会介绍 ,应用如果未自动登录, 拽起登录问题


http://www.ppmy.cn/news/1522387.html

相关文章

Java安全-动态加载字节码

文章目录 介绍定义ClassLoader简介 示例字节码文件URLClassLoaderdefineClassTemplatesImplBCEL ClassLoader 参考链接 介绍 定义 严格来说,Java字节码(ByteCode)其实仅仅指的是Java虚拟机执行使用的一类指令,通常被存储在.clas…

RabbitMQ 03 在项目中的实际使用: 告警,批处理

01.例子,解耦合(使用异步) 1.1异步思想:不会专门等待 1.2 例子:程序执行 1.3 如何设计程序 多线程: 订单请求模块只用于发送请求和处理确认,订单处理模块专门用于处理请求并且发送确认信…

MySQL常用函数(总结)详细版

1. 字符串函数 CONCAT(str1, str2, ...):将多个字符串连接成一个字符串。 SELECT CONCAT(Hello, , World); LENGTH(str):返回字符串的长度(字节数)。 SELECT LENGTH(Hello); SUBSTRING(str, pos, len):从字符串 …

【JAVA】第四天

JAVA第四天 一、Object类二、Objects类三、包装类四、字符串修改 一、Object类 表格: 方法名作用public String toString()返回对象的字符串表示形式public boolean equals(Object o)判断两个对象是否相等protected Object clone​()对象克隆 注意 toString() 和…

某里227逆向分析

声明: 该文章为学习使用,严禁用于商业用途和非法用途,违者后果自负,由此产生的一切后果均与作者无关。 本文章未经许可禁止转载,禁止任何修改后二次传播,擅自使用本文讲解的技术而导致的任何意外,作者均不负责,若有侵权,请联系作者立即删除! 前言 这次会简单的讲解…

【观察者】设计模式:构建灵活且响应式的软件系统

引言 在软件开发中,我们经常面临需要在多个对象之间进行通信的挑战。特别是当一个对象的状态发生变化时,我们希望所有依赖于这个状态的对象都能自动更新。这就是观察者设计模式大显身手的地方。 简介 观察者模式是一种行为设计模式,它定义…

C++——STL(vector类)

1.vector的介绍 vector的文档介绍 vector是表示可变大小数组的序列容器。vector就像数组一样,拥有连续的储存空间来储存元素,这就意味着可以通过下标的方式来访问vector的元素,很高效;但与数组不同的是vector的大小是动态改变的…

逻辑学(Logic)

GPT-4o (OpenAI) 逻辑学是研究论证的原则和标准的学科,主要关注如何正确地推理和论证。从抓取股票日线数据到形成有效的分析,我们可以应用逻辑推理。 逻辑推理步骤: 1. 明确目标:我们要抓取股票的日线数据。 2. 分析需求&#x…

图像分割分析效果2

这次加了结构化损失 # 训练集dice: 0.9219 - iou: 0.8611 - loss: 0.0318 - mae: 0.0220 - total: 0.8915 # dropout后:dice: 0.9143 - iou: 0.8488 - loss: 0.0335 - mae: 0.0236 - total: 0.8816 # 加了结构化损失后:avg_score: 0.8917 - dice: 0.9228 - iou: 0.…

标贝科技个性化音色定制方案 解锁语音合成无限可能

近日,标贝科技语音合成音色库又有新进展。针对智能客服场景,上新两个温和风格音色,适用于服务回访、业务咨询、产品介绍等细分业务场景。加上前不久的两款严肃客服音色,标贝科技已累计上线20多个风格迥异的男女客服发音人&#xf…

pyecharts可视化数据大屏

1. 简介 1.1. 概述 PyECharts 是一个用于生成 ECharts 图表的 Python 库。ECharts 是一款由阿里巴巴开发的开源 JavaScript 图表库,广泛应用于网页端的数据可视化。而 PyECharts 将 ECharts 的功能带到了 Python 环境中,使得 Python 开发者可以方便地在数据分析、机器学习等…

windows版本mysql8.2忘记密码

忙了一年的项目终于有点空闲时间了(996累成狗),想折腾点开源项目, 结果发现忘了本地mysql密码,查了一些资料,记录如下: --windows mysql8.2忘记密码(思路整理:先无密码…

共享单车轨迹数据分析:以厦门市共享单车数据为例(一)

共享单车数据作为交通大数据的一个重要组成部分,在现代城市交通管理和规划中发挥着越来越重要的作用。通过对共享单车的数据进行深入分析,城市管理者和规划者能够获得大量有价值的洞察,这些洞察不仅有助于了解城市居民的日常出行模式&#xf…

ELK学习笔记(一)——使用K8S部署ElasticSearch8.15.0集群

一、下载镜像 #1、下载官方镜像 docker pull elasticsearch:8.15.0 #2、打新tag docker tag elasticsearch:8.15.0 192.168.9.41:8088/new-erp-common/elasticsearch:8.15.0 #3、推送到私有仓库harbor docker push 192.168.9.41:8088/new-erp-common/elasticsearch:8.15.0二、…

在 Linux 和类 Unix 系统中,终端(Terminal)和 Shell

在 Linux 和类 Unix 系统中,终端(Terminal)和 Shell 是两个相关但不同的概念。以下是它们的定义和关系: 1. 终端(Terminal) 终端 是一个用于与计算机交互的用户界面。它可以是一个物理设备(如…

基于SSM+Vue+MySQL的可视化高校公寓管理系统

系统展示 管理员界面 宿管界面 学生界面 系统背景 当前社会各行业领域竞争压力非常大,随着当前时代的信息化,科学化发展,让社会各行业领域都争相使用新的信息技术,对行业内的各种相关数据进行科学化,规范化管理。这样的…

【免费分享】GIS开发面试题(流程+自我介绍+基础篇+Openlayermapbox)

本篇文章针对GIS应届生就业方向及面试困惑问题进行了收集整理,并列出了关于GIS开发面试中常见的问题(含答案)。 “ 包括以下内容 前言 简介 面试之前 面试流程 自我介绍-AI 基础篇 1、GIS八股文基础篇 2、Openlayers图形绘制 3、倾…

AXI4总线详解

AXI4简介 起初SoC片上总线处于发展阶段,不像微机总线那样成熟,目前还没有统一的标准,因此各大厂商和组织纷纷推出自己的标准,以便在未来的SoC片上总线标准中占有一席之地。ARM公司就在1995年推出了自己的总线——AMBA&#xff08…

天翼云存储资源盘活系统 HBlock:企业级轻量存储的革新与实战

目录 前言关于HBlock系统HBlock的核心优势番外篇:HBlock应用场景结束语参考文献 前言 在数字化转型的浪潮中,数据存储作为支撑企业业务连续性和数据安全的基石,企业对于存储资源的需求日益增长,同时也面临着成本控制和资源优化的…

Llama 3.1大模型的预训练和后训练范式解析

Meta的Llama大型语言模型每次出新版本,都会是一大事件。前段时间他们不仅发布了3.1的一个超大型的405亿参数模型,还对之前的8亿和70亿参数的模型做了升级,让它们在MMLU测试中的表现更好了。 不同模型在MMLU基准测试中的表现 他们还出了一个9…