程序聚合 软件案例 Android 多设备 UI 自动化测试与智能任务调度系统

Android 多设备 UI 自动化测试与智能任务调度系统

2026-06-26 00:55:07
行业:大数据
载体:Windows应用
技术:Python

业务和功能介绍

本项目旨在解决批量 Android 终端执行重复性业务流程时人工效率低、定时精准度差、多设备难以协同等痛点。系统整合设备群控、视觉识别、分布式任务调度等技术,构建了一套高可用的自动化操作平台,适用于需要大规模设备并发执行定时或即时任务的各类业务场景。
软件核心功能涵盖:多设备自动发现与并发管理;基于 Redis 的分布式任务队列与优先级调度;定时任务与即时任务双模式支持;基于 OCR 文字识别与 OpenCV 图像模板匹配的 UI 元素智能定位;可视化参数配置与执行状态监控;异常重试与屏幕变化检测等容错机制。
核心功能模块包括:
设备管理模块:通过 ADB 协议自动扫描局域网内在线 Android 设备,动态维护设备池,支持多设备并行接入与状态监控。
视觉识别模块:集成阿里云 OCR 服务实现全屏文字识别与坐标提取,同时基于 OpenCV 实现图像模板匹配,提供双重元素定位策略,适配不同 UI 场景。
任务调度模块:采用 Redis 有序集合作为中央任务队列,以时间戳为 Score 实现任务的精准排序;Dispatcher 进程轮询分发,支持即时执行与"预执行-正式执行"两阶段复杂时序逻辑。
自动化引擎模块:基于 uiautomator2 封装点击、滑动、应用启停、截图等原子操作,支持区域限定点击、偏移点击、索引点击等高级交互模式。
配置与监控模块:基于 TKinter 构建 Windows 桌面配置端,支持业务参数录入、设备选择、功能模式切换、实时日志展示与任务状态反馈。
业务流程描述:用户通过可视化界面配置目标业务流程参数(如区域、分类、目标对象、索引等)及期望执行时间;系统校验参数后生成结构化任务并序列化存入 Redis 队列;Dispatcher 按时间策略轮询,将到期任务推送至对应设备的 Worker 进程;Worker 驱动设备完成解锁、应用启动、页面导航、元素识别与点击、结果确认等全链路操作;最终系统生成独立日志文件并反馈执行结果。

项目实现

整体架构采用"调度中心-执行节点-消息队列"三层分布式设计。调度中心(Dispatcher)负责任务轮询、设备状态检查与任务分发;执行节点(Worker)以独立操作系统进程运行,通过 multiprocessing.Queue 接收任务并调用自动化引擎;Redis 作为中央消息队列,利用 Sorted Set 按时间戳排序,天然支持定时任务的优先级调度与延迟消费。
各模块技术选型如下:
设备通信与 UI 自动化:uiautomator2 提供高层 Android UI 操作 API,ADB 提供底层设备连接与 Shell 命令支持;
视觉识别:阿里云 OCR API(RecognizeAllText)负责文字检测与识别,返回 Block 级坐标与置信度;OpenCV(cv2.matchTemplate)负责图像模板匹配,采用 TM_CCOEFF_NORMED 算法,置信度阈值设为 0.65;
任务调度与状态机:Redis 有序集合存储任务 JSON,score 为 Unix 时间戳;通过 pre_ran、pre_run_only、immediate 等状态标记实现预执行与正式执行的流程切换;
桌面端界面:TKinter 实现跨平台 Windows 应用,支持 Combobox 设备选择、Entry 参数录入、Radiobutton 功能模式切换、Label 实时状态更新;
日志与持久化:按"设备 ID + 业务参数 + 时间戳"命名规则生成独立日志文件,支持多设备并发时的日志隔离与追溯。
我负责系统整体架构设计与全部核心模块的开发实现。量化成果包括:独立完成 5 个 Python 模块(OCR 工具、Dispatcher、Worker、业务逻辑、GUI)的开发与联调;实现单调度中心对多设备并发支持(实测 4 台设备同时稳定运行);OCR 接口封装后识别成功率达 95% 以上;图像模板匹配平均响应时间低于 2 秒;定时任务调度误差控制在 1 秒以内;系统累计无故障运行时长超过 200 小时。
开发过程中遇到的关键难点及解决方案:
多设备并发端口冲突:uiautomator2 默认使用固定本地端口,多 Worker 进程同时启动会产生端口抢占。解决方案为每个 Worker 启动时随机分配 19008–19999 范围内的独立端口,通过 settings.proxy_port 动态注入,实现进程级网络隔离。
OCR 返回格式与业务框架兼容:阿里云 OCR 返回的 BlockPoints 为 JSON 对象数组,而业务框架期望的是 OpenCV 风格的 (x, y) 元组列表。解决方案是封装 OCR 适配器类,在 readtext 方法内部完成格式转换,对外暴露与原生框架一致的 (box, text, score) 三元组接口,实现零侵入式替换。
复杂时序任务的精准

示例图片视频


fz2026
24小时内活跃
方向: 爬虫/脚本-爬虫/脚本、
交付率:100.00%
相似推荐
爬虫-爬虫
通过抓取亚马逊,领星,temu,速卖通,allegro各跨境电商平台数据。卖家中心,产品,销售数据,订单。库存数据报表,飞书对接等。使用Python语言,Scrapy分布式爬虫。数据库MySQL。开发海外仓发货系统,一键发货,分配,订单确认,物流追踪等等等
工作台智能 AI 助手-快手 app 端-AI 助手
基于 LangChain4J 框架,构建快手日常运营智能助手,服务于内容答疑、粉丝分析、趋势发现等核心业务场景。系统采用 LLM + RAG + Agent + LLM Loop 技术,提供高效、可扩展的智能问答与决策支持能力。 项目模块主要包括:知识库模块(RAG 架构)、Agent 模块(Function Call & Agent Loop)等
erp系统-txtmax
该项目是一个贯通上游进货,下游分销的ERP和商城一体系统,主要用于解决多个系统之间数据不互通,流程不完整的问题 项目主要分为三个部分,分别是库存管理部分、销售部分和小程序商城部分,库存管理部分包含商品信息管理、上游信息自动拉取、采购单管理、调拨单管理、库存管理、库存盘点几大功能,这些功能均支持批量处理和自动创建下游订单,极大的提高了数据管理的效率,销售部分包含收银台、员工业绩、会员管理等,不需要在接入其他系统即可在该系统内完成收银和小票打印等功能,小程序商城部分包含商品列表、订单、购物车、优惠券等等功能
tob 跨境电商 shopify AI一件代发平台-阿里产品-dscopilot
基于AI智能驱动的 Java 跨境电商运营一站式托管平台 项目描述: 1、服务跨境电商 DropShipping 生态,面向全球 B 端商家,利用 AIGC 和 AliExpress 的平台资源,开拓 "一键代发" 和海外独立站领域的市场,建设起精准、高效的一站式选品和铺品能力,解决跨境业务"选品难"、"铺品难"的问题; 2、通过同款平替和深度店铺诊断技术,提升 AliExpress 商品铺品率;通过 AI 优化和 LUI 创新,提升商家标题、商详、图片等编辑效率,规避商家约 80% 版权风险; 3、利用 AI 实现消费者端同款商品全面对比,促成平台商品 GMV 突破 10W 美元; 4、设计并开发核心支付基建项目,服务于四大主要业务,支撑总订阅金额已突破 3W 美元。 5、设计实现一站式全链路问题排查可视化系统,小二运营和客满服务效率提升 70%。
开发微信小程序——扫码点餐-扫码点餐
本扫码点餐小程序面向线下餐饮门店,旨在替代传统纸质菜单、缩减人工点餐成本。依托Java后端与Node.js服务搭建数据交互体系,顾客扫码即可浏览菜品、选餐下单、线上支付;商家后台可实时管理菜品库存、处理订单、统计经营营收,兼顾前端交互流畅度与后端订单并发处理能力,实现餐饮消费全流程数字化闭环。
帮助文档   Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服