Android网页投屏控制从入门到放弃

背景

业务需要采集在app上执行任务的整个过程，原始方案相对复杂，修改需要协调多方人员，因而考虑是否有更轻量级的方案。

原始需求：

• 记录完成任务的每一步操作（点击、滑动、输入等）
• 记录操作前后的截图和布局xml

基于Adb的方案

最容易考虑到的方案是就是通过adb去实现，要获取到当前页面的xml、当前页面截图，所以只需要将每一步操作通过adb发送给手机端即可。

步骤

1. 通过adb连接设备，编写一个agent程序接收网页操作请求，并通过adb发送指令执行
2. adb获取当前页面xml（uiautomator dump）
3. adb获取当前页面截图（screencap），agent通过ws发送到网页端
4. 网页显示图片，监控鼠标点击事件，计算出点击位置
5. 将相关操作通过adb发送到设备，模拟操作
6. 循环步骤2-5

弄清楚流程，可以直接告诉编程LLM，代码秒成，考虑到golang依赖较少，我们直接让LLM生成golang代码。

下面介绍部分实现，比如golang调用adb，网页端传入deviceid和操作：

func executeCommand(deviceID string, action string, parameters string) error {
	cmdArgs := []string{"-s", deviceID, "shell", action}
	if parameters != "" {
		cmdArgs = append(cmdArgs, parameters)
	}
	fmt.Println(cmdArgs)
	cmd := exec.Command("adb", cmdArgs...)
	err := cmd.Run()
	if err != nil {
		return err
	}
	return nil
}

比如截图，调用screencap截取png格式的图片：

func screenshot(deviceID string) ([]byte, error) {
	cmd := exec.Command("adb", "-s", deviceID, "exec-out", "screencap", "-p")
	var out bytes.Buffer
	cmd.Stdout = &out
	err := cmd.Run()
	if err != nil {
		return nil, err
	}
	return out.Bytes(), nil
}

JavaScript端显示：

socket.onmessage = (event) => {
    if (event.data instanceof Blob) {                   
        const url = URL.createObjectURL(event.data);
        imgElement.src = url;
    }
}

图片上方可以加一个div层，用来监控鼠标事件，模拟操作：

overlayElement.addEventListener('mousedown', (e) => {
    startX = e.offsetX;
    startY = e.offsetY;
    startTime = Date.now();
});

overlayElement.addEventListener('mouseup', (e) => {
    const endX = e.offsetX;
    const endY = e.offsetY;
    const elapsedTime = Date.now() - startTime;
    const duration = Math.max(elapsedTime / 1000, 0.001); // Avoid zero division

    const imgStartX = (startX / imgDisplayWidth) * imgWidth;
    const imgStartY = (startY / imgDisplayHeight) * imgHeight;
    const imgEndX = (endX / imgDisplayWidth) * imgWidth;
    const imgEndY = (endY / imgDisplayHeight) * imgHeight;

    if (Math.abs(imgStartX - imgEndX) > 5 || Math.abs(imgStartY - imgEndY) > 5) {
        sendCommand('input swipe', `${imgStartX} ${imgStartY} ${imgEndX} ${imgEndY}`);
    }
    else if (duration > 500) {
        // 长按
        sendCommand('input swipe', `${imgStartX} ${imgStartY} ${imgEndX} ${imgEndY} ${duration / 1000}`);
    }
    else {
        sendCommand('input tap', `${imgStartX} ${imgStartY}`);
    }
});

效果与问题

效果如下：

问题也很多：

• screencap 比较慢，测试模拟器需要600~700ms，显示起来感觉比较卡顿
• 大部分时候，页面没操作，图片基本不变化，重复传输浪费网络
• uiautomator dump 更夸张，2~3s

优化

图像差分传输，截图后检查下是否变化，没有变化就不发送，有变化就发送diff图像，这样JavaScript端合并图像就可以了。

diff 用最简单的策略，相同的改为全透明，不同的保留原图像，计算diff图：

// CalculateDifference 计算两个RGBA图像之间的差异, 并返回新的RGBA图像
// 如果两个图片完全一致，则返回全透明的图像
func CalculateDifference(img1, img2 image.Image) *image.NRGBA {
	bounds := img1.Bounds()
	diff := image.NewNRGBA(bounds)

	for y := bounds.Min.Y; y < bounds.Max.Y; y++ {
		for x := bounds.Min.X; x < bounds.Max.X; x++ {
			c1 := img1.At(x, y).(color.NRGBA)
			c2 := img2.At(x, y).(color.NRGBA)

			if c1 == c2 {
				diff.Set(x, y, color.NRGBA{}) // 完全一致时，设置为全0
				continue
			} else {
				diff.Set(x, y, c2)
			}
			// 组合RGB和Alpha通道为一个16位灰度值（分开存储Alpha通道可能更实际）
		}
	}

	return diff
}

Javascrit 接收到后可以结合上一张图进行还原，前端可以用canvas去操作diff图像进行合并：

function createImageFromBlob(blob) {
    return new Promise((resolve, reject) => {
            const img = new Image();
            img.onload = () => resolve(img);
            img.onerror = reject;
            img.src = URL.createObjectURL(blob);
        });
}

async function restoreImage(diffImageBlob) {
    const refImage = imgElement;
    const diffImage = await createImageFromBlob(diffImageBlob);

    canvas.width = refImage.width;
    canvas.height = refImage.height;

    ctx.drawImage(refImage, 0, 0);
    const refImageData = ctx.getImageData(0, 0, refImage.width, refImage.height);

    ctx.drawImage(diffImage, 0, 0);
    const diffImageData = ctx.getImageData(0, 0, diffImage.width, diffImage.height);

    const resultImageData = ctx.createImageData(refImage.width, refImage.height);
    const refData = refImageData.data;
    const diffData = diffImageData.data;
    const resultData = resultImageData.data;

    for (let i = 0; i < refData.length; i += 4) {
        // Assuming diff is non-zero means it contains the correct pixel
        resultData[i] = diffData[i] !== 0 ? diffData[i] : refData[i];       // R
        resultData[i + 1] = diffData[i + 1] !== 0 ? diffData[i + 1] : refData[i + 1]; // G
        resultData[i + 2] = diffData[i + 2] !== 0 ? diffData[i + 2] : refData[i + 2]; // B
        resultData[i + 3] = diffData[i + 3] !== 0 ? diffData[i + 3] : refData[i + 3]; // A
    }

    ctx.putImageData(resultImageData, 0, 0);
}

结论

虽然思路可行，但是因为adb 截图和获取xml比较慢，最终方案用不了，只能换一个思路去解决。

基于uiautomator2的方案

uiautomator2 是一个python库，用python调用设备上uiautomator服务来获取页面信息、控制设备，其原理也比较简单，就是通过adb在设备上启动atxagent和server等程序，然后通过http和ws去连接设备从而实现控制。

uiautomator2可以几十ms的时间获取xml，截图也因为高效的minicap，可以提供更高的fps。

使用uiautomator2就需要将golang转成python，幸运的是直接扔给LLM，先转成python，然后让将使用adb的改成使用uiautomator2，基本上大差不差，稍微缝缝补补搞定。
这里要感慨，LLM对程序员真是好助手，做好方案设计，扔给LLM就能比较好的去实现，心有灵犀。（PS: 胸中有丘壑，LLM才是好助手）

讲一些改动, 执行命令，可以提供一个更通用的方法，方便前端直接调用：

async def execute_command(device_id, action, parameters):
    try:
        device = get_device(device_id)
        command = getattr(device, action)
        if parameters:
            command(**parameters)
        else:
            command()
    except Exception as e:
        print(f"Error executing command on device {device_id}: {e}")

JS 调用

sendCommand('click', {"x": imgStartX, "y": imgStartY});

async function sendCommand(action, parameters) {       
    const command = JSON.stringify({ type: 'action', deviceID: deviceID, action: action, parameters: parameters });
    socket.send(command);
    console.log('Command:', command);
}

优化

模拟click按键，发送按键事件：

// SendKeyEvent 按下一个键（字符或功能键）
func (d *Driver) SendKeyEvent(keyCode string) error {
	cmd := exec.Command("adb", d.deviceID, "shell", "input", "keyevent", keyCode)
	err := cmd.Run()
	if err != nil {
		return err
	}
	return nil
}

准实时投屏的方案

上面采用的minicap，截图已经很快了，一秒钟传输几张图片，基本上满足这个场景够用了。 还有更准实时的方案吗？

专业的开源投屏控制软件 scrpy 是一个好的选择，scrpy实现原理其实类似上面的uiautomator2，会在device上启动一个server，通过server获取音视频流，以及控制。
scrpy 技术上相对更成熟，而uiautomator2依赖的minicap则缺乏维护，对安卓新版本支持不够好。

所以，在获取截图方面，也可以考虑调用scrpy的server来实现准实时控制。但是就如标题所说，从入门到放弃，上面的方案已经可以满足我们需求，没必要在这里投入更多的精力，所以这个方案放弃。

结语

本文主要记录投屏控制相关的实践过程，通过从adb方案开始，到uiautomator2，以及最后放弃scrpy方案，在这个热闹的周末，正好闲暇的时间，了解过去不曾接触的知识，也是一个有趣的过程。