Web页面的自动化点击方法及相关设备

技术领域

本申请涉及计算机技术领域，更具体地，涉及一种Web页面的自动化点击方法及相关设备。

背景技术

Web(World Wide Web)即全球广域网，也称为万维网，它是一种基于超文本和HTTP的分布式图形信息系统。

随着互联网的快速发展，Web的使用和依赖程度不断增加。用户在Web上进行各种操作和导航通常需要通过点击链接和按钮元素来实现。在进行Web页面测试时，通常需要对Web页面中的一些链接和按钮元素进行点击操作，若通过人工进行相应的点击操作，会大大降低测试效率。

因此，如何实现对Web页面的自动化点击，是目前有待解决的技术问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本申请实施例提出了一种Web页面的自动化点击方法及相关设备，通过训练出的目标检测模型对目标Web页面进行检测，自动识别出Web页面上的目标点击位置，以实现对Web页面的自动化点击。

第一方面，提供一种Web页面的自动化点击方法，所述方法包括：获取多个样本Web页面；根据所述样本Web页面中的样本点击对象，对预设初始检测模型进行训练，训练完成后生成目标检测模型；获取待点击的目标Web页面；基于所述目标检测模型对所述目标Web页面的页面图像进行检测，获取所述页面图像中的目标点击位置；根据所述目标点击位置对所述目标Web页面进行点击操作；其中，所述样本点击对象为所述样本Web页面中，符合预设点击对象类型的点击对象。

在一些实施例中，在根据所述样本Web页面中的样本点击对象，对预设初始检测模型进行训练之前，所述方法还包括：获取所述样本Web页面的源代码；根据所述源代码获取所述样本点击对象。

由于源代码包括样本Web页面的全部源码文件，可按预设点击对象类型在源代码中查找，根据查找结果获取样本点击对象，实现了更加准确的获取样本点击对象。

在一些实施例中，所述根据所述源代码获取所述样本点击对象，包括：将所述源代码转换为文档对象模型；基于HTML解析库对所述文档对象模型进行解析，并将解析结果中符合所述预设点击对象类型的数据作为所述样本点击对象。

先将源代码转换为文档对象模型，然后基于HTML解析库对文档对象模型进行解析，通过分析HTML标签、属性和CSS样式等信息，定位到样本点击对象所在的位置，从而提高了样本点击对象的获取效率。

在一些实施例中，所述基于HTML解析库对所述文档对象模型进行解析，包括：基于HTML解析库，按照递归方式或迭代方式对所述文档对象模型进行解析。

在基于HTML解析库对文档对象模型进行解析时，采用递归方式或迭代方式，从而保证对文档对象模型的完整解析。

在一些实施例中，所述预设初始检测模型采用机器学习算法，所述根据所述样本Web页面中的样本点击对象，对预设初始检测模型进行训练，包括：对所述样本点击对象进行截图，获取样本图像；按预设特征提取算法对所述样本图像进行提取，获取图像特征；对所述图像特征进行标注，生成训练数据集；基于所述训练数据集对所述预设初始检测模型进行训练。

通过获取与样本点击对象对应的样本图像，并对样本图像进行特征提取，获取图像特征，基于包括该图像特征的训练数据集训练预设初始检测模型，从而使预设初始检测模型准确的学习样本点击对象的视觉特征，使训练出的目标检测模型更加准确的进行检测。

在一些实施例中，在根据所述目标点击位置对所述目标Web页面进行点击操作之后，还包括：获取所述点击操作的点击准确率；若所述点击准确率低于预设阈值，将所述目标Web页面作为一个新的样本Web页面，重新对所述预设初始检测模型进行训练，训练完成后，获取新的目标检测模型。

在点击准确率低于预设阈值时，将目标Web页面作为一个新的样本Web页面加入各样本Web页面，并生成新的训练数据集，重新对预设初始检测模型进行训练，训练完成后，获取新的目标检测模型，后续基于新的目标检测模型对目标Web页面的页面图像进行检测，以此实现对目标检测模型的更新和优化，适应不同设计和交互模式的Web页面。

在一些实施例中，所述获取所述样本Web页面的源代码，包括：基于HTTP协议向所述样本Web页面的服务器发送源代码获取请求；根据所述服务器的返回数据获取所述源代码。

通过发送源代码获取请求到样本Web页面的服务器，服务器根据源代码获取请求返回相应的数据，根据服务器的返回数据获取源代码，从而提高了源代码的获取效率。

第二方面，提供一种Web页面的自动化点击装置，所述装置包括：第一获取模块，用于获取多个样本Web页面；训练模块，用于根据所述样本Web页面中的样本点击对象，对预设初始检测模型进行训练，训练完成后生成目标检测模型；第二获取模块，用于获取待点击的目标Web页面；检测模块，用于基于所述目标检测模型对所述目标Web页面的页面图像进行检测，获取所述页面图像中的目标点击位置；点击模块，用于根据所述目标点击位置对所述目标Web页面进行点击操作；其中，所述样本点击对象为所述样本Web页面中，符合预设点击对象类型的点击对象。

第三方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行第一方面所述的Web页面的自动化点击方法。

第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的Web页面的自动化点击方法。

通过应用以上技术方案，获取多个样本Web页面，并根据样本Web页面中的样本点击对象，对预设初始检测模型进行训练，训练完成后生成目标检测模型，之后获取待点击的目标Web页面，并基于目标检测模型对目标Web页面的页面图像进行检测，获取页面图像中的目标点击位置，最后根据目标点击位置对目标Web页面进行点击操作，其中，样本点击对象为样本Web页面中，符合预设点击对象类型的点击对象，以此训练出的目标检测模型对目标Web页面进行检测，自动识别出Web页面上的目标点击位置，从而实现对Web页面的自动化点击，进而提高了Web页面的测试效率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了本发明实施例提出的一种Web页面的自动化点击方法的流程示意图；

图2示出了本发明实施例中获取样本点击对象的流程示意图；

图3示出了本发明实施例中对预设初始检测模型进行训练的流程示意图；

图4示出了本发明实施例中重新对预设初始检测模型进行训练的流程示意图；

图5示出了本发明实施例提出的一种Web页面的自动化点击装置的结构示意图；

图6示出了本发明实施例提出的一种电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由权利要求部分指出。

应当理解的是，本申请并不局限于下面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

本申请可用于众多通用或专用的计算装置环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器装置、包括以上任何装置或设备的分布式计算环境等等。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本申请实施例提供一种Web页面的自动化点击方法，通过训练出的目标检测模型对目标Web页面进行检测，自动识别出Web页面上的目标点击位置，从而实现对Web页面的自动化点击，进而提高了Web页面的测试效率。

如图1所示，该方法包括以下步骤：

步骤S101，获取多个样本Web页面。

本实施例中，获取的多个样本Web页面用于对预设初始检测模型进行训练，训练完成后可得到目标检测模型，后续通过目标检测模型对待点击的目标Web页面进行检测，获取目标Web页面中的目标点击位置。

各样本Web页面为已知的Web页面，可通过指定的URL请求获取样本Web页面，也可通过网络爬虫获取样本Web页面，可以一次性获取足够数量的样本Web页面，也可随时间的推移不断对样本Web页面进行增量更新，本领域技术人员可根据实际需要灵活获取不同数量的样本Web页面，本申请实施例不对样本Web页面的具体数量进行限制。

步骤S102，根据所述样本Web页面中的样本点击对象，对预设初始检测模型进行训练，训练完成后生成目标检测模型。

本实施例中，样本Web页面中包括一种或多种点击对象，将样本Web页面中符合预设点击对象类型的点击对象作为样本点击对象，预设点击对象类型例如可以为链接、按钮元素等，链接可以为包括文本超链接、图像超链接、E-mail链接、锚点链接、多媒体文件链接等链接中的至少一种，按钮元素可以为包括CTA按钮、文本按钮、幽灵按钮、下拉按钮、浮动操作按钮、汉堡包按钮、加号按钮、消耗品按钮、分享按钮、凸起按钮等按钮中的至少一种。

通过样本Web页面中的样本点击对象对预设初始检测模型进行训练，训练完成后，生成可以准确确定样本点击对象的位置的目标检测模型，后续可以利用目标检测模型对待点击的目标Web页面进行检测。

步骤S103，获取待点击的目标Web页面。

待点击的目标Web页面为需要进行自动化点击的Web页面，可通过指定的URL请求获取目标Web页面，指定的URL请求可以是用户输入或从其他服务器获取的，也可以是用户从多个可选URL请求中选定的。

步骤S104，基于所述目标检测模型对所述目标Web页面的页面图像进行检测，获取所述页面图像中的目标点击位置。

在获取目标Web页面后，可通过页面截图获取相应的页面图像，将页面图像输入目标检测模型进行检测，目标检测模型获取页面图像中的目标点击位置并输出，可以理解的是，目标点击位置为符合预设点击对象类型的点击对象在页面图像中的位置，该目标点击位置的形式可以为各点击对象在页面图像中坐标。

步骤S105，根据所述目标点击位置对所述目标Web页面进行点击操作。

在获取各目标点击位置后，通过对目标Web页面中符合各目标点击位置的元素进行点击操作，实现对目标Web页面的自动化点击。

本领域技术人员可根据需要灵活采用不同类型的点击操作，例如，可按目标点击位置在目标Web页面中依次对相应的元素进行点击，也可对多个元素同时进行点击，还可对各元素进行点击、双击、三击等点击操作，另外，根据不同的测试需求，可对目标Web页面进行一轮或多轮的自动化点击。

本申请实施例中的Web页面的自动化点击方法，获取多个样本Web页面，并根据样本Web页面中的样本点击对象，对预设初始检测模型进行训练，训练完成后生成目标检测模型，之后获取待点击的目标Web页面，并基于目标检测模型对目标Web页面的页面图像进行检测，获取页面图像中的目标点击位置，最后根据目标点击位置对目标Web页面进行点击操作，其中，样本点击对象为样本Web页面中，符合预设点击对象类型的点击对象，通过训练出的目标检测模型对目标Web页面进行检测，自动识别出Web页面上的目标点击位置，从而实现对Web页面的自动化点击，进而提高了Web页面的测试效率。

在本申请任一实施例的基础上，在根据所述样本Web页面中的样本点击对象，对预设初始检测模型进行训练之前，如图2所示，所述方法还包括：

步骤S21，获取所述样本Web页面的源代码。

本实施例中，源代码是一个Web页面的全部源码文件，是一系列人类可读的计算机语言指令。源代码包括HTML、CSS和JavaScript等语言编写的文件，这些文件共同构成了Web页面的基础结构、样式和交互功能。

可以通过浏览器地址栏获取源代码或使用浏览器开发者工具获取样本Web页面的源代码。

在本申请一些实施例中，所述获取所述样本Web页面的源代码，包括：

基于HTTP协议向所述样本Web页面的服务器发送源代码获取请求；

根据所述服务器的返回数据获取所述源代码。

本实施例中，可通过以样本Web页面的服务器指定的方式，向服务器发送基于HTTP协议的源代码获取请求，样本Web页面的服务器根据源代码获取请求返回相应的数据，根据服务器的返回数据获取源代码，从而提高了源代码的获取效率。

在本申请一些实施例中，还可通过预设源代码获取工具获取与样本Web页面相应的源代码，预设源代码获取工具可以为Python中的爬虫库，如Beautiful Soup、Scrapy等，也可以是Chrome插件Web Scraper、Firefox插件Web Developer等浏览器插件，还可以是Octoparse、ParseHub等在线工具等。

步骤S22，根据所述源代码获取所述样本点击对象。

由于源代码包括样本Web页面的全部源码文件，可按预设点击对象类型在源代码中查找，根据查找结果获取样本点击对象，实现了更加准确的获取样本点击对象。

在本申请一些实施例中，所述根据所述源代码获取所述样本点击对象，包括：

将所述源代码转换为文档对象模型；

基于HTML解析库对所述文档对象模型进行解析，并将解析结果中符合所述预设点击对象类型的数据作为所述样本点击对象。

本实施例中，文档对象模型(Document Object Model，简称DOM)，是W3C组织推荐的处理可扩展置标语言的标准编程接口。先将源代码转换为文档对象模型，例如可将源代码另存为文档对象模型，从而便于后续解析和操作，然后基于HTML解析库对文档对象模型进行解析，通过分析HTML标签、属性和CSS样式等信息，定位到样本点击对象所在的位置，从而提高了样本点击对象的获取效率。

HTML解析库可以为包括lxml、BeautifulSoup、html5lib、ElementTree、cElementTree、HTMLParser、htmlfill、Genshi、xml.dom.minidom等解析库中任一种，本领域技术人员可灵活选用不同的HTML解析库对文档对象模型进行解析。

在本申请一些实施例中，所述基于HTML解析库对所述文档对象模型进行解析，包括：

基于HTML解析库，按照递归方式或迭代方式对所述文档对象模型进行解析。

本实施例中，在基于HTML解析库对文档对象模型进行解析时，采用递归方式或迭代方式，从而保证对文档对象模型的完整解析。

在本申请任一实施例的基础上，所述预设初始检测模型采用机器学习算法，所述根据所述样本Web页面中的样本点击对象，对预设初始检测模型进行训练，如图3所示，包括以下步骤：

步骤S31，对所述样本点击对象进行截图，获取样本图像。

为了使预设初始检测模型学习样本点击对象位置和外观，对样本点击对象进行截图，得到与样本点击对象对应的样本图像。

其中，在对样本点击对象进行截图时，需要分别对各样本点击对象单独进行截图，截图范围应不小于整个样本点击对象，且截图中除样本点击对象外的无关区域应小于预设比例，从而保证样本图像准确的体现样本点击对象的视觉特征。

步骤S32，按预设特征提取算法对所述样本图像进行提取，获取图像特征。

本实施例中，预设初始检测模型采用机器学习算法，按预设特征提取算法对样本图像进行提取，获取图像特征，后续基于图像特征训练预设初始检测模型。

可选的，预设初始检测模型的学习方式可以包括监督式学习、非监督式学习、半监督式学习、强化学习等，学习算法的种类可包括回归算法、回归算法、基于实例的算法、正则化算法、决策树算法、贝叶斯算法、基于核的算法、聚类算法、分类算法、关联规则算法、人工神经网络、深度学习、降低维度算法、集成算法等。

预设特征提取算法可以为包括基于颜色直方图的特征提取、基于纹理特征的提取、基于形状特征的提取、基于SIFT(尺度不变特征变换)的特征提取、基于HOG(方向梯度直方图)的特征提取、基于Haar特征的特征提取、基于SURF(加速稳健特征)的特征提取、基于深度学习的特征提取等算法中的至少一种，其中：

(1)基于颜色直方图的特征提取：将图像中的像素根据颜色进行分组，然后统计每个颜色组中的像素数量，从而得到一个颜色直方图，用于表示图像的颜色分布特征。

(2)基于纹理特征的提取：使用滤波器或小波变换等方法来提取图像中的纹理信息，例如使用局部二值模式算法来提取纹理特征。

(3)基于形状特征的提取：通过检测图像中的边缘或轮廓来提取形状信息，例如，可以使用Canny算法或Sobel算法来检测图像中的边缘。

(4)基于SIFT的特征提取：SIFT是一种常用的局部特征提取方法，它可以提取图像中不受旋转、缩放和亮度变化的关键点和对应的描述子，这些描述子可以用于图像匹配和目标跟踪等任务。

(5)基于HOG的特征提取：HOG是一种用于目标检测的特征提取方法，它可以提取图像中物体的形状和边缘信息。HOG将图像分成若干个小块，计算每个块内的梯度方向直方图，最终将这些直方图拼接起来得到一个特征向量。

(6)基于Haar特征的特征提取：Haar特征是一种常用的面部识别特征提取方法，它可以提取图像中的纹理和边缘特征。Haar特征将图像分成若干个小块，然后计算每个块内的像素和之差的特征值，最终将这些特征值组合成一个特征向量。

(7)基于SURF的特征提取：SURF是一种针对SIFT的改进方法，它可以更快地计算图像中的关键点和描述子。SURF使用Haar小波来检测尺度不变的特征点，并使用高斯差分算法来计算描述子。

(8)基于深度学习的特征提取：使用预训练的卷积神经网络模型，将图像作为输入，使用卷积层和池化层来提取图像的特征表示。

步骤S33，对所述图像特征进行标注，生成训练数据集。

通过对图像特征进行标注，使预设初始检测模型可以更好地识别和理解数据，从而提高检测的准确性和效率，完成标注后生成训练数据集。

可选的，在对图像特征进行标注时，可采用人工标注、或采用预设标注算法进行自动标注，或采用将人工标注和自动标注相结合的半自动标注。

步骤S34，基于所述训练数据集对所述预设初始检测模型进行训练。

将训练数据集输入预设初始检测模型，根据相应的学习方式对预设初始检测模型进行训练。

通过获取与样本点击对象对应的样本图像，并对样本图像进行特征提取，获取图像特征，基于包括该图像特征的训练数据集训练预设初始检测模型，从而使预设初始检测模型准确的学习样本点击对象的视觉特征，使训练出的目标检测模型更加准确的进行检测。

在本申请任一实施例的基础上，在根据所述目标点击位置对所述目标Web页面进行点击操作之后，如图4所示，还包括以下步骤：

步骤S41，获取所述点击操作的点击准确率。

本实施例中，在根据目标点击位置对目标Web页面进行点击操作之后，获取点击操作的点击准确率，点击准确率可以为点击操作中点击正确的次数与全部点击次数的比值，还可以为点击操作中点击正确的点击对象与所有目标点击对象的比值。

步骤S42，若所述点击准确率低于预设阈值，将所述目标Web页面作为一个新的样本Web页面，重新对所述预设初始检测模型进行训练，训练完成后，获取新的目标检测模型。

本实施例中，若点击准确率低于预设阈值，说明目标检测模型检测准确率较低，需要更新目标检测模型，具体的，将目标Web页面作为一个新的样本Web页面加入各样本Web页面，并生成新的训练数据集，重新对预设初始检测模型进行训练，训练完成后，获取新的目标检测模型，后续基于新的目标检测模型对目标Web页面的页面图像进行检测，以此实现对目标检测模型的更新和优化，适应不同设计和交互模式的Web页面。

本申请实施例还提出了一种Web页面的自动化点击装置，通过训练出的目标检测模型对目标Web页面进行检测，自动识别出Web页面上的目标点击位置，从而实现对Web页面的自动化点击，进而提高了Web页面的测试效率。

如图5所示，该装置包括：

第一获取模块501，用于获取多个样本Web页面；训练模块502，用于根据所述样本Web页面中的样本点击对象，对预设初始检测模型进行训练，训练完成后生成目标检测模型；第二获取模块503，用于获取待点击的目标Web页面；检测模块504，用于基于所述目标检测模型对所述目标Web页面的页面图像进行检测，获取所述页面图像中的目标点击位置；点击模块505，用于根据所述目标点击位置对所述目标Web页面进行点击操作；其中，所述样本点击对象为所述样本Web页面中，符合预设点击对象类型的点击对象。

在具体的应用场景中，所述装置还包括第三获取模块，用于：获取所述样本Web页面的源代码；根据所述源代码获取所述样本点击对象。

在具体的应用场景中，第三获取模块，具体用于：将所述源代码转换为文档对象模型；基于HTML解析库对所述文档对象模型进行解析，并将解析结果中符合所述预设点击对象类型的数据作为所述样本点击对象。

在具体的应用场景中，第三获取模块，还用于：基于HTML解析库，按照递归方式或迭代方式对所述文档对象模型进行解析。

在具体的应用场景中，所述预设初始检测模型采用机器学习算法，训练模块502，具体用于：对所述样本点击对象进行截图，获取样本图像；按预设特征提取算法对所述样本图像进行提取，获取图像特征；对所述图像特征进行标注，生成训练数据集；基于所述训练数据集对所述预设初始检测模型进行训练。

在具体的应用场景中，所述装置还包括更新模块，用于：获取所述点击操作的点击准确率；若所述点击准确率低于预设阈值，将所述目标Web页面作为一个新的样本Web页面，重新对所述预设初始检测模型进行训练，训练完成后，获取新的目标检测模型。

在具体的应用场景中，第三获取模块，还用于：基于HTTP协议向所述样本Web页面的服务器发送源代码获取请求；根据所述服务器的返回数据获取所述源代码。

本申请实施例中的Web页面的自动化点击装置，包括：第一获取模块，用于获取多个样本Web页面；训练模块，用于根据样本Web页面中的样本点击对象，对预设初始检测模型进行训练，训练完成后生成目标检测模型；第二获取模块，用于获取待点击的目标Web页面；检测模块，用于基于目标检测模型对目标Web页面的页面图像进行检测，获取页面图像中的目标点击位置；点击模块，用于根据目标点击位置对目标Web页面进行点击操作；其中，样本点击对象为样本Web页面中，符合预设点击对象类型的点击对象，通过训练出的目标检测模型对目标Web页面进行检测，自动识别出Web页面上的目标点击位置，从而实现对Web页面的自动化点击，进而提高了Web页面的测试效率。

本发明实施例还提供了一种电子设备，如图6所示，包括处理器601、通信接口602、存储器603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信，

存储器603，用于存储处理器的可执行指令；

处理器601，被配置为经由执行所述可执行指令来执行：

获取多个样本Web页面；根据所述样本Web页面中的样本点击对象，对预设初始检测模型进行训练，训练完成后生成目标检测模型；获取待点击的目标Web页面；基于所述目标检测模型对所述目标Web页面的页面图像进行检测，获取所述页面图像中的目标点击位置；根据所述目标点击位置对所述目标Web页面进行点击操作；其中，所述样本点击对象为所述样本Web页面中，符合预设点击对象类型的点击对象。

上述通信总线可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(Extended Industry Standard Architecture，扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述终端与其他设备之间的通信。

存储器可以包括RAM(Random Access Memory，随机存取存储器)，也可以包括非易失性存储器，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括CPU(Central Processing Unit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是DSP(Digital Signal Processing，数字信号处理器)、ASIC(Application Specific Integrated Circuit，专用集成电路)、FPGA(Field Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的Web页面的自动化点击方法。

在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行如上所述的Web页面的自动化点击方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘)等。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。