2.1 三层架构与W3C WebDriver协议

2.1 三层架构与W3C WebDriver协议

本节摘要：Selenium 的运行时由三层构成：你编写的客户端代码、承载指令的 WebDriver 协议层、由浏览器驱动与浏览器本体组成的浏览器端。协议层是 W3C 标准，规定了一组以 HTTP 接口形态呈现的指令端点与 JSON 报文格式，这让"任何语言、任何浏览器"成为可能。本节先立起这三层框架，第 2.2 节再让一次真实的点击沿着它走完全程——这两节合起来，是全册排错思维的地基。

为什么报错信息总是指向你没写过的代码

你有没有注意过，Selenium 的报错堆栈经常长得吓人：十几个调用栈帧里，只有一两个来自你写的用例，其余全是框架与协议层的内部转发。新手看到这种堆栈会本能地怀疑"是不是我的代码写错了"，而老手会先做一件事——判断报错落在哪一层。层判断对了，排查方向就定了；层判断错了，越查越远。

这就是本节要建立的核心能力：把整个自动化运行时在脑子里分成三层，任何一个故障都能先归层再处理。"连不上驱动"是层与层之间的通信断了，"找不到元素"是浏览器端执行成功但页面不配合，两者的修法南辕北辙。层次感，是自动化排错与"瞎试"的分水岭。

三层各自负责什么

图2-1 Selenium运行时三层架构

客户端层是你看得见的一层：用例代码加所用语言的 Selenium 绑定库。绑定库的职责是把 find_element(By.ID, "kw") 这样的调用翻译成协议报文——它只做翻译与本地管理（比如等待逻辑、元素引用缓存），不直接碰浏览器。你在本节语言绑定里看到的类与方法，最终都汇成对协议端点的调用。

协议层是整套体系的契约。W3C WebDriver 标准把"自动化能力"定义成一组资源端点：创建会话是一个端点，导航是另一个，元素点击又是一个。每个请求携带 JSON 报文，报文里是会话标识、参数与元素引用。这一层的存在解释了 Selenium 最独特的气质——语言无关与浏览器无关。绑定库只要会说这门"协议语言"，就能指挥任何符合标准的浏览器；浏览器只要提供标准实现，就能被任何语言驱动。第 1 章说的"选型时拼标准"，拼的就是这层。

浏览器端层由两个角色组成。浏览器驱动是独立进程，接收协议报文，把它们转换成该浏览器的原生自动化调用；浏览器本体则真正执行——加载页面、渲染 DOM、派发事件。驱动与浏览器之间走的是浏览器各自的控制通道，这段路不属于 W3C 标准，所以驱动版本必须与浏览器版本匹配：协议层人人一致，驱动与浏览器之间却是各家私事。第 1.1 节那张版本不匹配的工单，断点就在这层内部。

协议报文长什么样

抽象三层容易飘，看一段具体报文就落地了。下面的 Python 代码创建会话并设置浏览器选项：

from selenium import webdriver
from selenium.webdriver.chrome.options import Options

options = Options()
options.add_argument("--headless=new")     # 无头模式，不弹出窗口
options.add_argument("--window-size=1920,1080")
options.page_load_strategy = "eager"       # 页面加载策略：DOM就绪即继续

driver = webdriver.Chrome(options=options) # 这一行背后是协议的创建会话调用
print(driver.capabilities["browserVersion"])
​

webdriver.Chrome(options=options) 这一行的幕后是一次向本地驱动进程发起的创建会话请求：客户端把刚才设置的选项序列化成 JSON，驱动校验后拉起浏览器进程，回执里带着本次会话的标识与能力清单。capabilities 就是回执的一部分——驱动告诉你"我给你启动的到底是什么版本"。排查环境问题时，第一动作往往就是打印它，确认实际生效的浏览器与设置和你以为的一致。

页面加载策略值得一笔：默认策略等页面完全加载（包括图片、样式）才算导航完成，eager 策略在 DOM 就绪即返回。网速一般的流水线里，把加载策略调快是零成本提速的第一招，代价是图片类资源不保证就绪——这个取舍在第 3 章的等待设计里会再次遇到。

会话是协议层的一等公民

三层架构里最容易被低估的概念是会话。它不是"一次脚本运行"的文学说法，而是协议层的实体：创建会话时驱动分配唯一标识，之后每个请求都带着这个标识路由；元素引用也是会话内的资源，换个会话就作废。理解这一点，两类常见现象就有了解释——为什么脚本结束时必须显式退出会话（否则浏览器进程与驱动进程残留，流水线节点越跑越慢）；为什么不能把一个 driver 对象跨进程共享（会话标识到了别人手里也没有对应的浏览器上下文）。

本节开头说"报错堆栈吓人"，现在你有了归层的武器：堆栈底部是连接类异常，先查层间通信——驱动进程在不在、端口通不通、版本配不配；堆栈里出现超时与命令错误，看协议参数与全局超时设置；报错文案是元素、点击、断言相关，恭喜，问题大概率在你的用例或页面上，这层最值得深挖，也是下一章的主角。

层次认知的两个延伸问题

问：知道了三层，对日常写用例有什么直接帮助？ 最直接的回报在报错阅读。看到"invalid session id"你知道会话被销毁了（协议层状态问题），看到"element not interactable"你知道指令已到达浏览器、是页面不配合（浏览器端层），看到"connection refused"你知道指令根本没出门（层间通信）。三种报错三种修法，层次就是索引。

问：协议层既然是 HTTP，能不能绕过绑定库直接发请求？ 技术上可以——协议端点就是普通 HTTP 接口，有些团队用它做轻量操作（比如直接调用截图端点）。但绕过绑定库意味着放弃等待体系、元素引用管理这些上层封装，日常用例不建议；理解"可以绕"的价值在于彻底消除对绑定库的神秘感，它只是协议的翻译层。

另一个值得养成的习惯：升级绑定库或浏览器后，主动打印一次能力清单对齐认知。环境类工单的最短路径，往往就是"先确认实际生效的是什么"。

一个动手观察练习

三层架构可以直接观察。启动一个会话后，在任务管理器（或进程列表）里找到对应的驱动进程——你会看到它独立于你的脚本进程与浏览器进程存在，这正是 2.2"三次进程边界"的实物证据。再进阶一步：用命令行查看本机监听端口，能找到驱动服务占用的本地端口号——你的脚本正是通过它发送协议报文的。花五分钟把这两个进程与一个端口亲眼确认一遍，"三层"就从示意图变成了你机器上真实运行的东西。

收工清单

• 三层记忆法：客户端管翻译、协议管契约、浏览器端管执行；故障先归层再排查。
• 标准的价值：W3C 协议统一了语言与浏览器两侧的接口，是 Selenium 生态位的根基。
• 版本匹配的原理：协议层标准化了，驱动与浏览器之间的私有通道没有标准化，所以驱动必须跟版本。
• 会话是实体：带唯一标识、承载元素引用、必须显式销毁；资源泄漏类工单先查会话。
• 加载策略：默认完整加载，eager 模式 DOM 就绪即返回；提速与就绪保证的第一次取舍。

三层框架立起来了。下一节让一次真实的点击从上到下走一遍，你会看到每一层在时间轴上的先后与耗时。