Select Page
平行運算為什麼沒變快？從多核心、SIMD 到記憶體頻寬的效能指南

平行運算為什麼沒變快？從多核心、SIMD 到記憶體頻寬的效能指南

by | 10 月 6, 2026 | 硬體, 程式

核心數增加，程式不一定會等比例變快。真正的限制，可能是工作不能同時做、資料送不進來，或有人早已做完，卻還在等最慢的那一份。

要改善平行運算效能，先找出時間花在哪裡，再決定要加核心、減少資料搬移，還是重新分配工作。

想像一間廚房：增加廚師，只有在食材供應、料理分工和出餐順序都配合時才有用。

如果所有人都擠在同一個冰箱前，爐子再多也救不了。這個觀點同樣適用於 CPU、GPU，以及把工作分到多台電腦的系統。

先看三種「人多卻更慢」的情況

把一疊數字分給兩個人計算，算的部分確實可以縮短，但如果兩人坐在教室兩端，還得走過去交付小計，最後的總時間就包含計算、傳遞與合併。省下的時間，可能全被溝通吃掉。

換成四個人，也不保證改善，如果其中一份特別難，另外三人先完成後只能等待，完成時間仍由最慢的一份決定，再把全班都拉進來數人頭，如果要先搬椅子、換座位、協調隊形，光是準備工作就可能比直接清點更久。

這三種情況，分別對應通訊成本、負載不均，以及拆分工作的額外開銷，Stanford CS149 第一講用課堂活動說明這些限制，實際程式裡則可能表現成資料複製、同步等待、任務建立與排程。

「有變快」和「用得有效率」是兩回事

加速比是原本的執行時間除以新的執行時間。同一件事從一分鐘變成半分鐘，就是兩倍加速。這可能已經有商業價值，但如果用了大量額外硬體，仍要另外看資源利用率與成本。

比較時要固定資料量、演算法、輸出品質與計時範，。拿最佳化過的多核心版本，去對照刻意寫得很慢的單核心版本，得到的漂亮倍數無法說明平行化本身貢獻多少。

加核心有上限：用 Amdahl 定律算一個例子

假設一項固定工作在單核心需要 100 秒，其中 20 秒必須依序做，剩下 80 秒可以完美分工。

即使忽略排程與通訊成本，增加核心也只能縮短那 80 秒。這是本文另外設計的理論示意，不是影片實測，也不是任何 CPU 的跑分。

總時間＝20＋80 ÷ 核心數。加速比＝100 ÷ 總時間。這個簡化模型對應 Amdahl 定律，假設各核心能力相同，工作量固定，而且可平行的部分能均勻分配。

核心數理論執行時間相對單核心加速
1100.0 秒1.00 倍
260.0 秒1.67 倍
440.0 秒2.50 倍
830.0 秒3.33 倍
1625.0 秒4.00 倍
3222.5 秒4.44 倍
Amdahl 定律理論示意，20% 工作無法平行時，32 核心約加速 4.44 倍
固定工作量、20% 依序執行、忽略額外開銷的理論示意。橫軸採類別刻度，並非硬體實測。

即使核心數持續增加，這個例子的加速也只會逐漸逼近五倍，實際程式還有其他開銷，所以診斷時要同時看「哪些部分不能拆」和「拆開後多付了什麼成本」，如果增加的是工作量而不只是核心數，就要另看吞吐量或弱擴展。

超純量、多核心、SIMD，分別在平行什麼？

處理器早就不只靠提高時脈來加速。功耗、散熱和指令相依關係，限制了單一執行流程的成長。

多放運算資源只是起點，軟體還要提供足夠、可同時執行的工作。

超純量：在同一條指令流裡找出可同時做的事

超純量處理器可以在條件允許時同時發出多道指令，例如兩筆互不依賴的乘法有機會重疊執行，但下一步若要用到前一步的結果，就必須尊重相依關係。硬體能尋找現有的平行性，卻不能憑空消除資料依賴。

多核心：讓不同工作各自前進

多核心讓不同執行緒有機會同時執行，各核心可以處理不同的指令流。

前提是程式、函式庫或執行環境有把工作拆開。只開一條主要計算執行緒，不會因為買到更多核心就自動平均分散。

課程以縮小複雜控制邏輯、換取更多核心來解釋設計取捨，但這是幫助理解的模型

。實際 CPU 常同時具備複雜核心、多核心與向量單元，不應理解成現代多核心都取消了亂序執行，或每個核心必然比較慢。

SIMD：同一個動作，一次處理多筆資料

SIMD 是單一指令、多重資料，例如把一批像素的亮度做相同調整，向量指令能同時處理多個元素，一次能處理幾筆，取決於指令集、向量寬度與資料型別，「一次八筆」只是常見教學例子。

如果不同元素需要走不同分支，部分運算通道可能被遮蔽，等待另一條路完成，這就是分支分歧造成的浪費，多核心的各個核心可以走不同指令流，SIMD 組內則有更強的共同執行限制，兩者不能當成同一回事，參考 CS149 的多核心架構講義。

NumPy 等工具可以把批次運算交給最佳化實作，但一個陣列加號不代表整個陣列只需要一道機器指令。

通常仍有分批載入、向量運算、寫回及邊界處理，是否使用 SIMD 也受資料型別與平台影響，NumPy 官方 SIMD 說明介紹了依 CPU 能力選擇運算核心的機制。

快取解決什麼？讓同一份資料少跑幾趟

記憶體階層可以想成倉庫、車庫與工作桌，空間越靠近操作的人，通常越有限，卻也越方便拿取，快取的價值，就是讓近期或附近會用到的資料留在靠近核心的位置。

  • 時間區域性：剛用過的資料，稍後還會再用，保留它能減少重新讀取。
  • 空間區域性：這筆資料旁邊的內容很快也會用到，連續存取能更有效利用一次帶回的快取列。

所以同樣數量的運算，不同資料排列方式可能有明顯速度差，連續掃描陣列，和沿著分散的指標到處跳，給記憶體系統的壓力不同。把工作切成適合快取的小區塊，完成區塊內的多個步驟再往下一塊，常比每個步驟都重掃整份資料更值得試。

快取不會保證所有存取都快，工作集合太大、資料重用不足，或不同核心反覆改動同一快取列，都可能增加傳輸，甚至兩個執行緒修改的是不同變數，只要它們碰巧位於同一快取列，也可能產生偽共享，需要用量測確認。

延遲與頻寬不同，多執行緒也不能取代頻寬

延遲是等一份資料需要多久，頻寬是單位時間內能送多少資料。

增加車道可以讓更多車通過，卻不必然縮短每台車從起點到終點的行程，相同地，記憶體頻寬提高，不代表每一次零散讀取都會更快。

硬體多執行緒的想法，是某條執行緒等待時，先安排另一條準備好的執行緒使用運算單元，它可以隱藏部分等待，增加整體吞吐量，但不會讓原本那份資料提早到達，也不等於多出完整的實體核心。

這招需要足夠的獨立工作和可用資源，如果記憶體通道早已滿載，再增加執行緒只是在增加排隊者，把「多執行緒能隱藏延遲」直接說成「多執行緒能解決所有記憶體問題」，就會選錯最佳化方向。

為什麼高階 GPU 也可能吃不滿？

做兩個大陣列的逐元素乘法時，每筆結果只做少量算術，卻要讀取輸入並寫回輸出，這種工作可能先用完記憶體傳輸能力，運算單元仍有餘裕，CS149 第三講以 V100 時代的假設硬體與運算模型說明這件事，低利用率是特定工作負載相對算術峰值的估算，不能解讀成所有 GPU 都只有固定百分比有效能。

這裡的關鍵是算術強度：相對於搬動的資料量，完成了多少運算，若能把資料載入後多用幾次，或避免不必要的中間結果寫回，就可能提高效率，不過增加無意義的計算，只會讓數字好看，並沒有更快完成使用者的工作。

跑本地模型時也要區分「放得下」和「送得快」，容量決定可容納的資料與模型規模，頻寬影響搬運速度，實際瓶頸還會隨批次與階段改變。可以接著看站內的 本地 AI 記憶體容量與頻寬整理，理解為什麼只看 GPU 核心數不夠。

工作怎麼分，決定大家會不會互相等待

靜態分配是在開始前先切好每個工作者負責的範圍。它簡單、開銷低，也容易保留資料區域性，適合每份工作成本接近的情況，若有些影像區塊特別難算，平均分配像素數不等於平均分配計算時間。

動態分配則讓工作者完成一批後，再領下一批，降低有人空等的機會，代價是領取任務、同步與管理佇列都要成本，每批太大，仍可能負載不均。每批太小，則可能忙著領工作而非真正計算。

一個實用折衷，是把大任務切成數量多於工作者的區塊，同時讓每個區塊保有足夠的連續資料，再比較不同區塊大小的總耗時，而不是預設動態排程一定比較快，CS149 的工作分配與排程講義也把負載平衡和管理開銷放在一起討論。

判斷一批整數是否為質數，就是很直觀的例子，使用逐一試除的做法時，不同數字可能花費不同時間，平均分配數字個數不代表負載均衡，如果能事先估計成本，提早安排較大的任務，也可能減少最後只剩一人忙碌的長尾。

ISPC 與 Cilk：表達可平行的工作，交給系統安排

ISPC 讓你用接近逐筆處理的方式描述運算，再以一組 program instances，也就是 gang，執行相同程式。

要特別分清楚：在 CPU 的常見用法中，gang 主要對應向量化，並不代表每個 instance 都是一條作業系統執行緒。

跨核心並行還需要 task 或呼叫端的多執行緒安排，入門可參考 ISPC 官方文件與 CS149 第一份程式作業。

Cilk 則以分支、匯合的方式表達任務相依關係，當一個工作者沒有事做，可以透過 work stealing 從其他工作者取得尚待執行的工作。重點是暴露可平行的任務，再由執行系統排程，而不是為每個小任務都建立一條新執行緒。想動手學習，可以從 OpenCilk 的平行任務教學開始。

快速排序則呈現另一種情況：先把資料按基準值分成兩側，接著左右可以分別排序，可平行的子問題隨遞迴逐步出現，是否能順利利用多核心，還受分區均衡與最小任務大小影響，Cilk 的關鍵字也不是所有標準 C++ 編譯器都直接支援，實作時要使用支援它的工具鏈。

資料搬運也要分：必要交換，還是實作多出的往返？

有些通訊是目前演算法與工作分配必須付出的成本，例如把影像分區後，相鄰區域需要交換邊界資料。

有些則來自實作細節，例如快取容量不足、傳輸粒度太大、重複複製中間結果。CS149 第六講將兩者區分為 inherent communication 與 artifactual communication。

區分的目的，是找到可以改的地方。必要交換不代表完全無法減少，重新選擇分區方式可能縮小邊界，實作造成的往返，也可能透過更好的資料布局、合併步驟和重用快取來降低。

把模型或工作拆到多台機器時，這些原則仍成立，除了各台機器的能力，還要看互連、分片方式與交接資料量，站內的 EXO 與本機 AI 分工整理，可以延伸理解多機合作為什麼不是把規格直接相加。

同樣地，顯存不足時把部分模型卸載到系統記憶體，可能讓工作成功執行，卻增加資料搬移。像 LTX 的低顯存工作流程，就適合用「容量換取可執行性，再付出搬運成本」的角度評估，不能只看是否成功啟動。

遇到程式跑不快，我會按這個順序檢查

  • 固定基準：使用同一份輸入、相同輸出品質與完整計時範圍，保留可重現的單核心或原始版本。
  • 找出熱點：先確認時間花在計算、I/O、記憶體、同步還是外部服務，別直接從增加執行緒開始。
  • 逐步增加並行度：比較少量與較多工作者的總時間，也看各工作者是否平均忙碌。
  • 檢查資料路徑：是否反覆複製、跨裝置來回、產生巨大暫存，或無法利用連續存取。
  • 一次改一項：調整區塊大小、合併運算或排程策略後，重新檢查正確性與總耗時。

不要只追求 CPU 或 GPU 的使用率數字。忙碌可能代表重複計算，低使用率也可能是合理地等待磁碟或網路。最終要回答的是：在相同品質與限制下，完成同一件事花了多久，用掉多少資源。

平行運算常見問題

核心越多，任何程式都會更快嗎？

不會。程式必須有足夠可同時執行的工作，而且不能被序列部分、記憶體頻寬、同步或負載不均限制。更多核心也可能增加額外開銷。

SIMD 和多核心有什麼不同？

SIMD 讓一個指令同時作用於多筆資料，多核心則讓不同核心執行各自的指令流。兩者可以並用，但工作必須符合各自的執行方式。

快取越大，效能一定越好嗎？

不一定。資料是否會重用、存取是否連續、工作集合大小與其他核心的存取方式，都會影響快取是否真的減少等待與搬運。

多執行緒可以解決記憶體頻寬不足嗎？

多執行緒能在有獨立工作時隱藏部分延遲，但不會增加實際可用頻寬。通道滿載後，增加執行緒可能只增加排隊與競爭。

應該先升級硬體，還是先改程式？

先量測。若主要成本是重複搬移、任務分配或序列熱點，改善程式可能更有效。確認瓶頸確實對應硬體能力後，才有依據選擇升級項目。

先找到等待發生在哪裡，再談加速

平行運算的核心問題，是讓可同時做的工作真正同時進行，同時控制搬資料、分工與等待的成本。多核心提供空間，SIMD 提高相同運算的吞吐，快取減少遠端存取，多執行緒利用等待空檔，排程則避免工作分配失衡。它們各自解決不同問題，沒有哪一招能包辦全部。

如果手上就有一段跑不快的程式，先記錄它在不同工作者數量下的完整耗時，找出哪一步開始不再改善。這個轉折點，往往比硬體規格表更能告訴你下一步該改什麼。

延伸學習：Stanford CS149 前六講

想沿著相同脈絡深入，可以從 Stanford CS149 官方課程播放清單開始，並搭配 課程講義目錄。

PHP-FPM 被 OOM Killer 殺掉？完整排查與修復實戰紀錄（Ubuntu 16GB RAM 環境）

by | 2 月 11, 2026 | PHP, 程式

最近我的伺服器突然出現網站 502 錯誤，檢查後發現 php8.2-fpm 服務竟然被系統強制終止。透過一系列排查，最終確認是 Linux OOM Killer（Out Of Memory） 觸發導致。

這篇文章整理完整排查過程與解決方案，提供給遇到相同問題的人參考。

📌 問題現象

使用 systemctl status php8.2-fpm 發現：

Active: failed (Result: oom-kill)

進一步檢查 kernel log：

Out of memory: Killed process 7057 (php-fpm8.2)
anon-rss:283560kB
shmem-rss:119848kB

代表：

  • 系統記憶體耗盡
  • Linux 啟動 OOM Killer
  • 強制殺掉 php-fpm worker

🔍 進一步分析

查看當時 PHP worker 記憶體使用情況：

ps -o pid,rss,etime,cmd -C php-fpm8.2 --sort=-rss | head -n 20

當時結果顯示：

RSS 約 250MB ~ 325MB/每個 worker

而之前狀態顯示：

Processes active: 80
idle: 0

🔥 問題核心

如果每個 worker 約 300MB：

300MB × 80 = 24GB

但機器只有：

15GB RAM
0GB Swap

👉 記憶體一定會爆。

🧠 伺服器環境

Memory: 15GiB
Swap: 0

這代表：

  • 沒有 swap 作為緩衝
  • 一旦瞬間記憶體尖峰，直接 OOM

🛠 解決方案

✅ 1️⃣ 建立 8GB Swap（防止再次 OOM）

sudo fallocate -l 8G /swapfile
sudo chmod 600 /swapfile
sudo mkswap /swapfile
sudo swapon /swapfile
echo '/swapfile none swap sw 0 0' | sudo tee -a /etc/fstab

確認：

swapon --show
free -h

結果：

Swap: 8.0GiB

建議調整 swappiness

echo 'vm.swappiness=10' | sudo tee /etc/sysctl.d/99-swappiness.conf
sudo sysctl -p /etc/sysctl.d/99-swappiness.conf

✅ 2️⃣ 調整 PHP-FPM 設定（關鍵）

編輯：

/etc/php/8.2/fpm/pool.d/www.conf

修改為：

pm = dynamic
pm.max_children = 25
pm.start_servers = 6
pm.min_spare_servers = 4
pm.max_spare_servers = 10
pm.max_requests = 500

為什麼設 25？

假設每個 worker 約 150MB：

150MB × 25 ≈ 3.7GB

在 15GB RAM 環境下非常安全。

✅ 3️⃣ 開啟 Slow Log（抓出慢請求）

在 www.conf 加入：

request_slowlog_timeout = 10s
slowlog = /var/log/php8.2-fpm/www-slow.log
request_terminate_timeout = 60s

建立目錄：

sudo mkdir -p /var/log/php8.2-fpm
sudo chown -R www-data:www-data /var/log/php8.2-fpm
sudo systemctl restart php8.2-fpm

查看慢請求：

sudo tail -f /var/log/php8.2-fpm/www-slow.log

📊 調整後效果

重啟後查看：

ps -o pid,rss,etime,cmd -C php-fpm8.2 --sort=-rss | head -n 20

結果：

RSS 約 100MB ~ 170MB
ELAPSED 僅 20 秒左右

✔ 不再出現 300MB 以上肥 worker
✔ 不再出現 active 80
✔ 系統穩定運作

🎯 問題總結

本次 OOM 原因：

  1. pm.max_children 設定過高
  2. 每個 worker 記憶體使用偏高
  3. 沒有 swap 緩衝
  4. 慢請求導致 worker 堆積

最終解法：

  • 限制 max_children
  • 建立 swap
  • 開 slowlog 抓慢請求
  • 設定 max_requests 避免 memory leak

🚀 建議最佳實務

設定建議
Swap一定要有（至少 4GB）
max_children用 RAM / worker RSS 計算
max_requests300~1000
slowlog必開
request_terminate_timeout必設

📌 結論

OOM Killer 不是錯誤，它是保護機制。

真正的問題通常是：

  • PHP-FPM 設定不合理
  • 慢請求堆積
  • 記憶體容量與負載不匹配

只要正確限制 worker 數量並建立 swap，伺服器穩定度會大幅提升。

如果你也遇到 php-fpm 被 OOM kill 的問題，希望這篇實戰紀錄能幫助你快速排查與解決。

相關資訊

如何變動在 linux 中的預設 php 執行檔?

Stagehand 教學｜AI 驅動的瀏覽器自動化神器，TypeScript 與 Python 都支援！

by | 8 月 8, 2025 | Agent, AI, Javascript, Python, RPA, 瀏覽器, 程式開發

想用 AI 控制網頁自動化，但程式碼又要精準可靠，同時享受自然語言，高效又方便？那你絕不能錯過由 Browserbase 團隊推出的 Stagehand —— 這款專為 AI 時代設計的瀏覽器自動化框架，不僅支援 TypeScript 與 Python、可本地或雲端部署，還比 Browser‑Use 更快、更耐變動！

Stagehand 兼具控制力與智慧的 AI 瀏覽器自動化框架

Stagehand 是以 Playwright 為核心構建的 AI-native 自動化工具，它加入了 LLM 判斷能力，結合程式精準控制與自然語言指令，令自動化腳本更穩定、更智慧也更高效

  • 自然語言 + 程式碼混合操作：你可以用程式寫明確動作，也能用「act(‘點擊第一個 Stagehand 元件’)」這樣類人語法完成UI操作 。
  • 接口完整，支援察看、執行與資料萃取：核心三大命令 act、observe、extract，讓操作更透明、更可控
  • 容錯與自恢復能力：UI 略有變動也不怕，Stagehand 的 observe + 快取策略讓腳本更具彈性
  • 完美整合 Playwright：所有 Playwright 腳本都能無縫升級 Stagehand，省心又高效

核心玩法！TypeScript/JavaScript 快速上手範例

// Use Playwright functions on the page object
const page = stagehand.page;
await page.goto("https://github.com/browserbase");

// Use act() to execute individual actions
await page.act("click on the stagehand repo");

// Use Computer Use agents for larger actions
const agent = stagehand.agent({
    provider: "openai",
    model: "computer-use-preview",
});
await agent.execute("Get to the latest PR");

// Use extract() to read data from the page
const { author, title } = await page.extract({
  instruction: "extract the author and title of the PR",
  schema: z.object({
    author: z.string().describe("The username of the PR author"),
    title: z.string().describe("The title of the PR"),
  }),
});

這段程式完整示範了初始化、導航、AI 驅動操作到資料萃取的流程，不僅省事，也大幅提升開發效率。

Stagehand 與 Browser-Use 比較

功能面Stagehand（此文主角）Browser-Use
控制精準度Token 級動作掌控 + 自然語言指令混合攻擊角度偏自然語言，程式控制較弱
容錯能力observe + 快取策略，對 DOM 變化更耐受缺少自恢復機制
雲端支援原生整合 Browserbase，輕鬆雲端部署需額外集成，無預設雲平台支援
語言支援TypeScript / Python主要依賴 Python
AI 整合天生結合 LLM，支援複雜任務拆解依賴外部 LLM，不那麼一體化

只要先學四個指令，快速上手

指定去那一個網頁

goto()：

    # 初始化
    page = stagehand.page
    # 指定去那一個頁面
    await page.goto("https://rain.tips/")

使用自然語言操作

act()：

    await page.act("點選確定按鈕");

抓取數據資料

extract()：

    post = await page.extract("取得標題")

預覽功能

observe()：

   links = await page.observe("找到頁面中的所有連結")

實戰快速導覽

安裝

# 用 pip
pip install stagehand python-dotenv

# 安裝playwright
python -m playwright install

# 裝 chromium 瀏覽器
python -m playwright install chromium

建立 .env

export BROWSERBASE_API_KEY="your_browserbase_api_key"
export BROWSERBASE_PROJECT_ID="your_browserbase_project_id"
export MODEL_API_KEY="your_model_api_key"  # OpenAI, Anthropic, etc.

建立程式碼 main.py

import asyncio
import os
from stagehand import Stagehand, StagehandConfig
from dotenv import load_dotenv

load_dotenv()

async def main():
    config = StagehandConfig(
        env="BROWSERBASE",
        api_key=os.getenv("BROWSERBASE_API_KEY"),
        project_id=os.getenv("BROWSERBASE_PROJECT_ID"),
        model_name="gpt-4o",
        model_api_key=os.getenv("MODEL_API_KEY")
    )
    
    stagehand = Stagehand(config)
    
    try:
        await stagehand.init()
        page = stagehand.page
        
        await page.goto("https://docs.stagehand.dev/")
        await page.act("click the quickstart link")
        
        result = await page.extract("extract the main heading of the page")
        
        print(f"Extracted: {result}")
        
    finally:
        await stagehand.close()

if __name__ == "__main__":
    asyncio.run(main())

驗證與測試

python main.py

若要用本地端的瀏覽器的話，可以改成下面的程式碼

import asyncio
import os
from dotenv import load_dotenv
from stagehand import StagehandConfig, Stagehand

load_dotenv()

async def main():
    # 检查API密钥是否设置
    api_key = os.getenv("OPENAI_API_KEY")

    config = StagehandConfig(
        env="LOCAL",  # 本地运行
        # AI模型配置 - 使用环境变量
        model_name="gpt-4o-mini",  # 使用更便宜的模型
        model_api_key=api_key,  # 从环境变量读取

        # 本地运行配置
        headless=False,  # 显示浏览器窗口
        verbose=3,  # 详细日志
        debug_dom=True,  # DOM调试
    )

    # 使用配置创建Stagehand实例
    stagehand = Stagehand(config)

    # 初始化Stagehand（启动浏览器会话）
    await stagehand.init()

    # 获取页面对象，用于后续的页面操作
    page = stagehand.page

    await page.goto("https://rain.tips/")

    # # 使用observe()取得文章的連結
    blog_links = await page.observe("取得文章中的所有連結)
    print(f"✅ Page link: {blog_links}")

    await page.act(blog_links[0]) 
    data_post_1 = await page.extract("取得文章的標題和內文")
    print(f"✅ 文章資訊如下: {data_post_1}")

if __name__ == "__main__":
    asyncio.run(main())

總結：為什麼 Stagehand 是下一代自動化框架？

  • 語言直覺更自然，人類可理解
  • 對 UI 變化具彈性、不易失效
  • 結合 LLM，自動拆解任務，效率提升數倍
  • 支援本地與雲端，開發與生產環境都得心應手

Stagehand 正重新定義瀏覽器自動化，不再只是死板指令，而是一場「程式控＋AI 智能」的完美結合，無論對開發者或 AI 自動化愛好者，都是一大利器。快一起駕馭它，打造更強、更智慧的自動化流程！

參考資料

BrowserBase

GitHub Stagehand

Demo

開發說明文件

https://www.aivi.fyi/aiagents/introduce-stagehand

完全免費無限制！使用 OpenAI 開源模型 gpt‑oss 在本地離線運行
提升 App 測試效率：UIAutoDev UI定位與 XPath 自動生成指南

提升 App 測試效率：UIAutoDev UI定位與 XPath 自動生成指南

by | 4 月 26, 2025 | Python, 程式

UIAutoDev 是一款不可或缺的工具，它支援 Android 和 iOS 平台，提供直觀的圖形介面，讓開發者能夠輕鬆地定位 UI 元素、生成選擇器，並進行色彩分析。

UIAutoDev UI DEMO

🔧 UIAutoDev 的核心特色

1. 支援 Android 和 iOS 平台

UIAutoDev 同時支援 Android 和 iOS 裝置的 UI 元素檢視與操作。​對於 iOS，用戶需自行啟動 WebDriverAgent（WDA）服務，以實現與裝置的連接。​

2. 直觀的控件選擇與屬性檢視

透過滑鼠點選應用程式中的控件，UIAutoDev 會即時顯示該元素的屬性資訊，如 resource-id、text、class 等，並在控件樹中高亮顯示，方便用戶精確定位。​

3. 自動生成 XPath 選擇器

UIAutoDev 能夠根據選取的控件，自動生成多個 XPath 選擇器，並標示每個選擇器匹配的元素數量，協助用戶選擇最合適的定位方式。​

4. 色彩分析與坐標微調

工具提供找色功能，允許用戶獲取指定位置的 RGB 和 HSB 色值。​同時，透過方向鍵微調坐標，精確定位需要操作的區域，提升自動化腳本的準確性。​

🚀 安裝與使用指南

1. 安裝 Python 環境

確保系統已安裝 Python 3.8 或以上版本。​

2. 安裝 UIAutoDev

在終端機中執行以下命令：

pip install uiautodev

3. 啟動 UIAutoDev

安裝完成後，執行以下命令啟動工具：

python -m uiautodev

啟動後，瀏覽器將自動打開 UIAutoDev 的網頁介面。​

4. 連接裝置

  • Android：​啟用開發者選項並允許 USB 偵錯，使用 USB 或 Wi-Fi 連接裝置。
  • iOS：​啟動 WebDriverAgent（WDA）服務，並確保裝置與電腦在同一網路下。​

5. 使用工具進行 UI 元素定位

  • 在網頁介面中選擇已連接的裝置。
  • 點擊「刷新」按鈕，同步裝置當前畫面。
  • 使用滑鼠點選畫面中的控件，查看其屬性資訊，並在右側控件樹中進行導航。
  • 利用自動生成的 XPath 選擇器，快速編寫自動化腳本。

🧪 實際應用範例

可以先看DEMO

以下是一段使用 uiautomator2 與 UIAutoDev 結合的 Python 腳本範例：

import uiautomator2 as u2

# 連接到裝置
d = u2.connect()

# 啟動應用程式
d.app_start("com.example.app")

# 點擊指定的控件
d(resourceId="com.example.app:id/button").click()

# 輸入文字
d(resourceId="com.example.app:id/input").set_text("測試輸入")

# 關閉應用程式
d.app_stop("com.example.app")

透過 UIAutoDev 提供的控件屬性資訊，您可以輕鬆取得 resource-id 等屬性，快速編寫上述腳本。

參考資料

https://testerhome.com/topics/40069

OpenAI 的 AI 3D 解決方案：Point-E 與 Shap-E 的比較與應用
Nuitka GUI 入門指南：Python 封裝成 exe，小白友善介面快速搞定

Nuitka GUI 入門指南：Python 封裝成 exe，小白友善介面快速搞定

by | 3 月 27, 2025 | Python, 程式

當你在開發 Python 時，將程式轉換為可執行檔案（如 .exe）並提升執行效率是許多開發者關心的議題，Nuitka 是一款大家都推薦的 Python 編譯器，能夠將 Python 原始碼編譯為 C 語言，進而生成高效的可執行檔案​，今天來介紹 Nuitka 的安裝、封裝流程、靜態檔案，與相依套件的處理，以及常見問題與性能優化建議，讓即使是初學者也能輕鬆上手。​

1. 安裝與執行封裝

安裝 Nuitka

  1. 安裝 C++ 編譯器：​Nuitka 需要 C++ 編譯器來編譯生成的 C 程式碼。在 Windows 系統上，推薦安裝 MinGW64。
  2. 安裝 Nuitka：​使用 pip 安裝 Nuitka：





執行封裝





假設您的主程式為 main.py，可以使用以下命令將其封裝為可執行檔案：





nuitka --standalone --mingw64 --enable-plugins=tk-inter --disable-console --remove-output --onefile --output-dir=output main.py





上述命令的參數說明：





    

  • --standalone：​生成獨立的可執行檔案，包含所有相依套件。​
    • 




  • --mingw64：​使用 MinGW64 作為編譯器。
    • 




  • --enable-plugins=tk-inter：​啟用 tkinter 插件，根據實際使用的套件啟用相應插件。​
    • 




  • --disable-console：​隱藏執行時的控制台視窗，適用於 GUI 應用程式。​
    • 




  • --remove-output：​在編譯完成後移除中間產物。​
    • 




  • --output-dir=output：​指定輸出目錄為 output。
    • 




  • –onefile：如果希望輸出為單一 .exe 檔案
    • 






如果是要用 Visual Studio C++ 來封裝的話可以改用





nuitka --standalone --msvc=latest --enable-plugins=tk-inter --disable-console --remove-output --output-dir=output main.py





2.靜態檔案的處理





在某些應用中，可能需要包含額外的靜態檔案（如圖片、配置檔案）。​Nuitka 提供了 --include-data-dir 參數來處理這些檔案：










此命令將當前目錄下的 static 資料夾包含到生成的可執行檔案中，並在執行時可正常訪問。





3.相依套件的處理





Nuitka 會自動檢測並包含大多數的相依套件。​然而，對於某些特殊的套件，可能需要手動啟用相應的插件。​例如，若您的程式使用了 PySide6，則需要在編譯時啟用該插件：










您可以使用 nuitka --plugin-list 命令查看所有可用的插件列表。





4.常見問題的處理





Nuitka 在首次編譯大型專案時可能需要較長時間。​為了加快編譯速度，可以安裝 ccache 來進行編譯快取。





由於 Nuitka 會將所有相依套件包含在內，生成的可執行檔案可能較大。​可以嘗試使用 --onefile 參數將所有內容打包成單一檔案，或使用壓縮工具對生成的檔案進行壓縮。





5.關於速度的優化





Nuitka 通過將 Python 程式編譯為 C 語言，通常能提升程式的執行效率。​然而，實際的性能提升取決於程式的結構和內容。​為了獲得最佳性能，建議：​





    

  • 優化原始碼：​確保程式碼中沒有不必要的計算和冗餘。​
    • 




  • 使用內建函數：​盡可能使用 Python 的內建函數，因為它們通常經過高度優化。​
    • 




  • 避免過度使用動態特性：​如 eval、exec 等，這些可能影響編譯器的優化能力。
    • 






6.🌟使用 Nuitka GUI 友善介面





因為既指令很麻煩，推薦使用 Nuitka GUI，這是一款直覺且操作簡單的圖形介面工具。





Nuitka 官方 GUI 安裝：










開啟 Nuitka GUI：










或是用開源的 GUI





https://github.com/271374667/NuitkaGUI










參考資料





https://nuitka.net







用EXCEL製作專業的Python圖









將你的Python程式碼改成 web api









隔離即高效：探索 Python 虛擬環境的專業實踐



				
					

			
					


				
															
OpenTBS：輕量級 PHP 插件，輕鬆生成動態 Office 文件

					
					
 by  | 2 月 20, 2025 | PHP, 程式


什麼是 OpenTBS？





OpenTBS（Open Template-Based Substitution）是一個基於 PHP 的插件，允許開發者使用 OpenTBS 在 Office Open XML（如 .docx、.xlsx、.pptx）以及 OpenDocument 格式（如 .odt、.ods、.odp）的範本中動態插入數據。它基於 TBS（TinyButStrong）引擎，並提供了一種靈活且易於使用的方法來生成動態文件。





為何選擇 OpenTBS？





    

  1. 無需額外安裝 Office 軟體：OpenTBS 直接操作 Office 文件格式，無需安裝 Microsoft Office 或 LibreOffice。
    2. 




  2. 輕量級：僅需一個 PHP 文件，即可輕鬆集成到現有項目。
    3. 




  3. 模板驅動：允許使用標準的 Office 應用程式來設計範本，無需學習額外的標記語言。
    4. 




  4. 支持多種格式：可處理 .docx、.xlsx、.pptx、.odt 等格式，適用於多種場景，如報表、合同、發票等。
    5. 






安裝 OpenTBS





OpenTBS 是一個 PHP 插件，可通過下載或使用 Composer 來安裝。





下載 Zip 檔





    

  1. 前往 官方網站 下載 tbs_class.php 和 tbs_plugin_opentbs.php。
    2. 




  2. 將這兩個文件放入你的 PHP 項目中。
    3. 






GitHub





說明文件





DEMO 網站





基本使用方法





以下是使用 OpenTBS 生成 Word（.docx）文件的基本示例。





1. 建立 Word 範本





在 Word (.docx) 文件中，使用 [] 來標記動態數據，例如：










2. 編寫 PHP 代碼





require_once('tbs_class.php');
require_once('tbs_plugin_opentbs.php');

// 創建 TBS 實例
$TBS = new clsTinyButStrong;
$TBS->Plugin(TBS_INSTALL, OPENTBS_PLUGIN);

// 載入範本文件
template = 'template.docx';
$TBS->LoadTemplate($template, OPENTBS_ALREADY_UTF8);

// 設定變數
$data = array(
    'company_name' => 'ABC 公司',
    'date' => date('Y-m-d'),
    'client_name' => '王小明'
);
$TBS->MergeField('var', $data);

// 輸出生成的文件
$output_file = 'output.docx';
$TBS->Show(OPENTBS_DOWNLOAD, $output_file);
exit;





圖片的進階用法





在 Word 模板中設定圖片





打開 Word (.docx) ，選擇一張要被替換的圖片，





設定 TBS 標籤（放入圖片的「替代文字」區域）：





選取圖片 → 右鍵 → 圖片格式在「替代文字」欄位輸入以下內容：





[img.user_logo;ope=changepic]





pic 是變數名稱，稍後在 PHP 代碼中會用到，這樣 OpenTBS 就知道這張圖片要被替換！





使用 OPENTBS_CHANGE_PICTURE 手動更換圖片










其他參數





要根據原始圖片的框架大小設計的話可以使用





其他 adjust 參數：





參數說明
adjust=inside圖片自動調整以適應框架（推薦）
adjust=samewidth圖片的寬度與模板圖片相同
adjust=sameheight圖片的高度與模板圖片相同
adjust=100%圖片維持原始大小





範例





[onshow.pic;ope=changepic;adjust=samewidth;default=current;tagpos=inside]





特殊關鍵字





onshow : 會直接使用php中的同名變數做替換





結論





OpenTBS 是一個強大且輕量的 PHP 插件，能夠讓開發者方便地生成 Word、Excel、PowerPoint 等格式的動態文件，特別適用於報表生成、合約填寫、數據輸出等應用場景，如果你的項目需要動態生成 Office 文檔，可以試試 OpenTBS，它將為你帶來極大的便利！







如何變動在 linux 中的預設 php 執行檔?









Windows server IIS PHP Curl SSL Certificate 錯誤修正