前端开发异常处理方法、装置、计算机设备和存储介质与流程

本申请涉及计算机技术领域，特别是涉及一种前端开发异常处理方法、装置、计算机设备和存储介质。

背景技术：

前端即网站前台部分，运行在pc端，移动端等浏览器上展现给用户浏览的网页。在前端开发过程中，当开发出现问题时，然后开发人员定位异常问题，找到异常原因，寻找解决方案进行异常处理，然后才能继续进行开发，这些都需要开发人员花费大量的时间精力，使得开发人员无法正常进行前端开发，导致前端开发的效率大大降低。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够提高前端开发效率的前端开发异常处理方法、装置、计算机设备和存储介质。

一种前端开发异常处理方法，所述方法包括：

获取前端开发任务的目标任务标识和目标开发者标识，前端开发任务处于正在开发状态，根据目标任务标识和目标开发者标识对目标任务标识对应的前端开发任务进行监控；

当确定前端开发任务存在异常时，获取异常信息，将异常信息输入已训练的异常信息处理模型中，得到输出向量，异常信息处理模型根据历史异常信息和对应解决方案使用神经网络算法进行训练得到；

根据输出向量得到异常解决方案，将异常解决方案返回给目标开发者标识对应的开发终端。

在其中一个实施例中，在获取前端开发任务的目标任务标识和目标开发者标识，前端开发任务处于正在开发状态，根据目标任务标识和目标开发者标识对目标任务标识对应的前端开发任务进行监控之前，还包括：

接收开发终端发送的任务建立指令，任务建立指令携带有任务标识、开发者标识和前端开发状态，其中，开发者标识与任务标识对应，任务标识与前端开发状态对应；

根据任务建立指令将任务标识、开发者标识和前端开发状态关联保存。

在其中一个实施例中，当前端开发出现异常时，获取异常信息，将异常信息输入已训练的异常信息处理模型中，得到输出向量，包括：

当前端开发出现异常时，获取异常信息，判断异常信息类型；

根据异常信息类型得到对应的已训练异常信息处理模型，将异常信息输入对应的已训练异常信息处理模型中，得到输出向量。

在其中一个实施例中，异常信息类型包括网页图片型异常；根据异常信息类型获取对应的已训练异常信息处理模型，将异常信息输入对应的已训练异常信息处理模型中，得到输出向量，包括：

当异常信息类型为网页图片型异常时，根据网页图片型异常得到对应的已训练卷积神经网络模型，卷积神经网络根据历史网页图片型异常和对应的解决方法使用卷积神经网络算法进行训练得到；

将异常信息输入已训练卷积神经网络模型中，得到输出向量。

在其中一个实施例中，异常信息类型包括代码型异常；根据异常信息类型获取对应的已训练的异常信息处理模型，将异常信息输入已训练的异常信息处理模型中，得到输出向量，包括：

当异常信息类型为代码型异常时，根据代码型异常得到对应的已训练多层前馈神经网络模型，多层前馈神经网络模型根据历史代码型异常和对应的解决方法使用多层前馈神经网络算法进行训练得到；

将异常信息输入已训练多层前馈神经网络模型中，得到输出向量。

在其中一个实施例中，所述方法还包括：

建立异常信息数据库，异常信息数据库包括识别码字段、异常信息字段和解决方案字段；

则获取异常信息之后，还包括：

判断异常信息对应的异常信息类型，根据异常信息类型得到对应的目标识别码；

在异常信息数据库查找目标识别码，当查找到一致的目标识别码时，获取目标识别码对应的解决方案，将解决方案返回给开发终端。

在其中一个实施例中，获取目标识别码对应的解决方案，将解决方案返回给开发终端之后，还包括：

接收开发终端发送的目标解决方案选择指令，根据选择指令记录目标解决方案对应的选用次数；

根据选用次数设置解决方案的优先级；

则将解决方案返回给开发终端，包括：

获取解决方案的优先级，根据优先级将解决方案返回给开发终端。

一种前端开发异常处理装置，所述装置包括：

监控模块，用于获取前端开发任务的目标任务标识和目标开发者标识，前端开发任务处于正在开发状态，根据目标任务标识和目标开发者标识对目标任务标识对应的前端开发任务进行监控；

向量得到模块，用于当确定前端开发任务存在异常时，获取异常信息，将异常信息输入已训练的异常信息处理模型中，得到输出向量，异常信息处理模型根据历史异常信息和对应解决方案使用神经网络算法进行训练得到；

异常解决模块，用于根据输出向量得到异常解决方案，将异常解决方案返回给目标开发者标识对应的开发终端。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取前端开发任务的目标任务标识和目标开发者标识，前端开发任务处于正在开发状态，根据目标任务标识和目标开发者标识对目标任务标识对应的前端开发任务进行监控；

当确定前端开发任务存在异常时，获取异常信息，将异常信息输入已训练的异常信息处理模型中，得到输出向量，异常信息处理模型根据历史异常信息和对应解决方案使用神经网络算法进行训练得到；

根据输出向量得到异常解决方案，将异常解决方案返回给目标开发者标识对应的开发终端。

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以下步骤：

获取前端开发任务的目标任务标识和目标开发者标识，前端开发任务处于正在开发状态，根据目标任务标识和目标开发者标识对目标任务标识对应的前端开发任务进行监控；

当确定前端开发任务存在异常时，获取异常信息，将异常信息输入已训练的异常信息处理模型中，得到输出向量，异常信息处理模型根据历史异常信息和对应解决方案使用神经网络算法进行训练得到；

根据输出向量得到异常解决方案，将异常解决方案返回给目标开发者标识对应的开发终端。

上述前端开发异常处理方法、装置、计算机设备和存储介质，通过获取前端开发任务的目标任务标识和目标开发者标识，根据目标任务标识和目标开发者标识对目标任务标识对应的前端开发任务进行监控；当确定前端开发任务存在异常时，获取异常信息，将异常信息输入已训练的异常信息处理模型中，得到输出向量，异常信息处理模型根据历史异常信息和对应解决方案使用神经网络算法进行训练得到，根据输出向量得到异常解决方案，将异常解决方案返回给目标开发者标识对应的开发终端，当前端开发任务存在异常时，能够将异常解决方案提供给开发者，使得开发者能够快速解决异常，从而继续进行前端开发，提高了前端开发效率。

附图说明

图1为一个实施例中前端开发异常处理方法的应用场景图；

图2为一个实施例中前端开发异常处理方法的流程示意图；

图3为一个实施例中建立关联关系的流程示意图；

图4为一个实施例中得到输出向量的流程示意图；

图5为再一个实施例中得到输出向量的流程示意图；

图6为又一个实施例中得到输出向量的流程示意图；

图7为一个实施例中前端开发异常处理装置的结构框图；

图8为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的前端开发异常处理方法，可以应用于如图1所示的应用环境中。其中，开发终端102通过网络与服务器104通过网络进行通信。服务器104获取前端开发任务的目标任务标识和目标开发者标识，前端开发任务处于正在开发状态，根据目标任务标识和目标开发者标识对目标任务标识对应的前端开发任务进行监控。当确定前端开发任务存在异常时，获取异常信息，将异常信息输入已训练的异常信息处理模型中，得到输出向量，异常信息处理模型根据历史异常信息和对应解决方案使用神经网络算法进行训练得到。服务器104根据输出向量得到异常解决方案，将异常解决方案返回给目标开发者标识对应的开发终端102。其中，开发终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种前端开发异常处理方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

s202，获取对应的目标任务标识和目标开发者标识，前端开发任务处于正在开发状态，根据目标任务标识和目标开发者标识对目标任务标识对应的前端开发任务进行监控。

其中，前端开发状态用于描述开发人员进行前端开发的状态，其包括正在开发状态、暂停状态和开发完成状态。任务标识用于标识前端开发任务，预先建立好前端开发任务与任务标识之间的对应关系，开发者标识是指开发人员对应的标识。

具体地，服务器获取处于正在开发状态的前端开发任务对应的目标任务标识和目标开发者标识，根据目标任务标识和目标开发者标识对目标任务标识对应的前端开发任务进行监控，其中根据目标任务标识确定要监控的前端开发任务，根据目标开发者标识确定要监控的开发者对应的终端。

s204，当确定前端开发任务存在异常时，获取异常信息，将异常信息输入已训练的异常信息处理模型中，得到输出向量，异常信息处理模型根据历史异常信息和对应解决方案使用神经网络算法进行训练得到。

其中，前端开发任务存在异常是指在前端开发过程中出现的问题。比如前端页面数据加载异常、页面响应异常和程序出现漏洞等等。

具体地，当确定前端开发任务存在异常时，服务器对异常信息进行捕获，获取到异常信息，将得到的异常信息输入到已训练的异常信息处理模型，异常信息处理模型根据输入的异常信息进行计算得到输出向量。在一个实施例中，可以获取到多个前端开发任务的异常信息，首先对得到的多个异常信息进行过滤，将相同的异常信息过滤掉，然后再将异常信息分别输入已训练的异常信息处理模型中，得到输出向量。

s206，根据输出向量得到异常解决方案，将异常解决方案返回给目标开发者标识对应的开发终端。

其中，预先设置好输出向量和异常解决方案的对应关系。

具体地，服务器根据预先设置好的对应关系找到输出向量对应的异常解决方案，然后将得到的异常解决方案返回给目标开发者标识对应的开发终端，开发终端接收到异常解决方案时进行显示，以使开发人员根据异常解决方案对异常进行解决。比如，若得到的输出向量为[01,15,23]，则预先设置好解决方案的编号，根据输出向量得到的解决方案的编号为01，15和23，然后将01号解决方案、15号解决方案、23号解决方案返回给开发终端。也可以得到的输出向量为[88]，则将88号解决方案返回给开发终端。

上述前端开发异常处理方法中，通过上述技术特征，当前端开发任务发生异常时，能够将异常解决方案提供给开发者，使得开发者能够快速解决异常，从而继续进行前端开发，提高了前端开发效率。

在一个实施例中，如图3所示，在步骤202之前，即获取前端开发任务的目标任务标识和目标开发者标识，前端开发任务处于正在开发状态，根据目标任务标识和目标开发者标识对目标任务标识对应的前端开发任务进行监控之前，还包括步骤：

s302，接收开发终端发送的任务建立指令，任务建立指令携带有任务标识、开发者标识和前端开发状态，其中，开发者标识与任务标识对应，任务标识与前端开发状态对应。

s304，根据任务建立指令将任务标识、开发者标识和前端开发状态关联保存。

具体地，服务器接收开发终端通过前端开发监控分析平台发送的任务建立指令，该任务建立指令携带有任务标识、开发者标识和前端开发状态，其中，前端开发状态包括正在开发状态、暂停状态和开发完成状态，则任务建立指令携带的前端开发状态为正在开发状态。服务器根据任务建立指令将任务标识、开发者标识和前端开发状态关联保存到数据库中，其中，开发者标识与任务标识对应，任务标识与前端开发状态对应，即每个开发者标识对应一个当前的任务标识，每个任务标识对应一个当前的前端开发状态，将根据对应关系将三者关联保存到数据库中。可以预先建立好前端开发任务，使服务器能够得到前端开发任务的开发状态。例如：开发人员通过开发终端使用开发者标识01登录到前端开发监控分析平台，在前端开发监控分析平台建立任务界面中输入任务标识12和前端开发状态为正在开发状态并点击建立按钮，开发终端接收到任务建立指令，得到开发者标识01、任务标识12和前端开发状态为正在开发状态，然后向服务器发送任务建立指令，该指令携带有开发者标识01、任务标识12和前端开发状态为正在开发状态，服务器接收该任务建立指令后，将开发者标识01、任务标识12和正在开发状态关联保存到数据库中。在一个实施例中，开发人员可以通过前端开发监控分析平台对前端开发状态进行更新。

在一个实施例中，如图4所示，步骤s204，即确定当前端开发存在异常时，获取异常信息，将异常信息输入已训练的异常信息处理模型中，得到输出向量，包括步骤：

s402，当前端开发出现异常时，获取异常信息，判断异常信息类型。

s404，根据异常信息类型得到对应的已训练异常信息处理模型，将异常信息输入对应的已训练异常信息处理模型中，得到输出向量。

其中，异常信息类型用于反映异常信息的种类，每一类异常信息都有对应的已训练完成的异常信息处理模型，异常信息类型至少包括网页图片型异常和代码型异常。

具体地，当前端开发出现异常时，服务器获取异常信息，该异常信息可以是服务器从开发终端捕获的，也可以是开发终端提交给服务器的。服务器接收到异常信息，首先判断异常信息类型，判断异常信息类型是网页图片型异常还是代码型异常，可以根据异常信息的格式判断异常信息类型，比如文本格式的是代码类，图片格式的是网页图片类。服务器根据异常信息类型得到对应的已训练异常信息处理模型，将异常信息输入对应的已训练异常信息处理模型中，得到输出向量。

在上述实施例中，通过当前端开发出现异常时，获取异常信息，判断异常信息类型，根据异常信息类型得到对应的已训练异常信息处理模型，将异常信息输入对应的已训练异常信息处理模型中，得到输出向量，可以提高得到解决方案的准确性。

在一个实施例中，如图5所示，步骤s404，即根据异常信息类型获取对应的已训练异常信息处理模型，将异常信息输入对应的已训练异常信息处理模型中，得到输出向量，包括步骤：

s502，当异常信息类型为网页图片型异常时，根据网页图片型异常得到对应的已训练卷积神经网络模型，卷积神经网络根据历史网页图片型异常和对应的解决方法使用卷积神经网络算法进行训练得到。

其中，卷积神经网络，是一种前馈神经网络，人工神经元可以响应周围单元，可以进行大型图像处理。卷积神经网络包括卷积层和池化层。

具体地，当异常信息类型为网页图片型异常时，根据网页图片型异常得到对应的已训练卷积神经网络模型，卷积神经网络是根据网页图片类异常信息和对应的解决方法使用卷积神经网络算法进行训练得到的，其中，卷积神经网络模型在训练时使用的激励函数为relu函数。

s504，将异常信息输入已训练卷积神经网络模型中，得到输出向量。

具体地，将得到的网页图片型异常输入到已训练的卷积神经网络模型中，得到模型的输出向量，可以更加准确的得到网页图片型异常对应的解决方案。

在一个实施例中，如图6所示，步骤s404，即根据异常信息类型获取对应的已训练的异常信息处理模型，将异常信息输入已训练的异常信息处理模型中，得到输出向量，包括步骤：

s602，当异常信息类型为代码型异常时，根据代码型异常得到对应的已训练多层前馈神经网络模型，多层前馈神经网络模型是根据代码类异常信息和对应的解决方法使用多层前馈神经网络算法进行训练得到的。

其中，多层前馈神经网络是指bp神经网络，bp神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络。

具体地，当服务器判断异常信息类型为代码型异常时，服务器根据代码类得到对应已训练的bp神经网络模型，该bp神经网络模型是根据历史代码型异常和对应的解决方法使用bp神经网络算法进行训练得到的。其中，bp神经网络模型在训练时使用的激活函数是s型函数。

s604，将异常信息输入已训练多层前馈神经网络模型中，得到输出向量。

具体地，从得到的代码型异常中提取到代码异常特征值，比如关键代码语句、词等。将代码异常特征值输入到已训练的多层前馈神经网络模型中，即输入bp神经网络模型中，得到输出向量，可以提高得到代码类异常信息解决方案的准确性。

在一个实施例中，前端开发异常处理方法还包括步骤：

建立异常信息数据库，异常信息数据库包括识别码字段、异常信息字段和解决方案字段。

其中，识别码用于标识异常信息类型。

具体地，在服务器中建立异常信息数据库，该数据库用于记录异常信息、异常信息对应的识别码和识别码对应的解决方案。

则获取异常信息之后，还包括步骤：

判断异常信息对应的异常信息类型，根据异常信息类型得到对应的目标识别码。

具体地，服务器在获取到异常信息后，判断异常信息对应的异常信息类型，根据预先设置好的异常信息类型和识别码之间的对应关系得到异常信息类型对应的目标识别码。

在异常信息数据库查找目标识别码，当查找到一致的目标识别码时，获取目标识别码对应的解决方案，将解决方案返回给开发终端。

具体地，服务器得到目标识别码在预先建立的异常信息数据库中查找该目标识别码，当能够查找到该目标识别码时，说明异常信息数据库存储有对应的解决方案，则服务器获取到目标识别码对应的解决方案，将解决方案返回给开发终端。当没有查找到一致的目标识别码时，此时，服务器从异常信息中提取到关键字或者图片在搜索引擎中进行搜索，将搜索结果返回给开发终端。

在上述实施例中，通过预先建立好异常信息数据库，当获取到异常信息时可以直接在异常信息数据库中查找对应的解决方案，将解决方案提供给开发人员，能够提高开发人员前端开发效率。

在一个实施例中，在获取目标识别码对应的解决方案，将解决方案返回给开发终端之后，还包括步骤：

接收开发终端发送的目标解决方案选择指令，根据选择指令记录目标解决方案对应的选用次数；根据选用次数设置解决方案的优先级。

具体地，异常信息可以有对应的多个解决方案，服务器在将解决方案返回给开发终端后，服务器可以是返回了多种解决方案，也可以是一种解决方案。此时开发人员会选择一种目标解决方案，服务器接收开发终端发送的目标解决方案选择指令，就记录该目标解决方案对应的选用次数加一。然后服务器根据选用次数设置解决方案的优先级。开发人员选择的解决方案次数多，则该解决方案的优先级就高。

则将解决方案返回给开发终端，包括步骤：

获取解决方案的优先级，根据优先级将解决方案返回给开发终端。

具体地，服务器需要将解决方案返回给开发终端时，首先获取到要返回的解决方案的优先级，然后将优先级高的解决方案优先返回给开发终端，也可以返回优先级排前三的解决方案，其余方案不返回。

在上述实施例中，接收开发终端发送的目标解决方案选择指令，根据选择指令记录目标解决方案对应的选用次数；根据选用次数设置解决方案的优先级，然后获取解决方案的优先级，根据优先级将解决方案返回给开发终端，可以提高返回的解决方案的准确性。

应该理解的是，虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图7所示，提供了一种前端开发异常处理装置700，包括：监控模块702、向量得到模块704和异常解决模块706，其中：

监控模块702，用于获取前端开发任务的目标任务标识和目标开发者标识，前端开发任务处于正在开发状态，根据目标任务标识和目标开发者标识对目标任务标识对应的前端开发任务进行监控。

向量得到模块704，用于确定当前端开发任务存在异常时，获取异常信息，将异常信息输入已训练的异常信息处理模型中，得到输出向量，异常信息处理模型根据历史异常信息和对应解决方案使用神经网络算法进行训练得到。

异常解决模块706，用于根据输出向量得到异常解决方案，将异常解决方案返回给目标开发者标识对应的开发终端。

上述前端开发异常处理装置700，通过监控模块702对前端开发任务进行监控，通过向量得到模块704将异常信息输入到已训练的异常信息处理模型中，得到输出向量，最后通过异常解决模块706根据输出向量得到异常解决方案，将异常解决方案返回给目标开发者标识对应的开发终端，能够当前端开发任务发生异常，能够将异常解决方案提供给开发者，使得开发者能够快速解决异常，从而继续进行前端开发，提高了前端开发效率。

在一个实施例中，前端开发异常处理装置700，还包括：

指令接收模块，用于接收开发终端发送的任务建立指令，任务建立指令携带有任务标识、开发者标识和前端开发状态，其中，开发者标识与任务标识对应，任务标识与前端开发状态对应；

关联保存模块，用于根据任务建立指令将任务标识、开发者标识和前端开发状态关联保存。

在一个实施例中，向量得到模块704，包括：

判断模块，用于当前端开发出现异常时，获取异常信息，判断异常信息类型；

模型得到模块，用于根据异常信息类型得到对应的已训练异常信息处理模型，将异常信息输入对应的已训练异常信息处理模型中，得到输出向量。

在一个实施例中，模型得到模块，包括：

卷积模型得到模块，用于当异常信息类型为网页图片型异常时，根据网页图片型异常得到对应的已训练卷积神经网络模型，卷积神经网络根据历史网页图片型异常和对应的解决方法使用卷积神经网络算法进行训练得到；

卷积模型输出模块，用于将异常信息输入已训练卷积神经网络模型中，得到输出向量。

在一个实施例中，模型得到模块，包括：

前馈模型得到模块，用于当异常信息类型为代码型异常时，根据代码型异常得到对应的已训练多层前馈神经网络模型，多层前馈神经网络模型根据历史代码型异常和对应的解决方法使用多层前馈神经网络算法进行训练得到；

前馈模型输出模块，用于将异常信息输入已训练多层前馈神经网络模型中，得到输出向量。

在一个实施例中，前端开发异常处理装置700，还包括：

数据库建立模块，用于建立异常信息数据库，异常信息数据库包括识别码字段、异常信息字段和解决方案字段；

则前端开发异常处理装置700，还包括：

目标识别码得到模块，用于判断异常信息对应的异常信息类型，根据异常信息类型得到对应的目标识别码；

查找模块，用于在异常信息数据库查找目标识别码，当查找到一致的目标识别码时，获取目标识别码对应的解决方案，将解决方案返回给开发终端。

在一个实施例中，前端开发异常处理装置700，还包括：

次数记录模块，用于接收开发终端发送的目标解决方案选择指令，根据选择指令记录目标解决方案对应的选用次数；

优先级设置模块，用于根据选用次数设置解决方案的优先级；

则查找模块，包括：

优先级获取模块，用于获取解决方案的优先级，根据优先级将解决方案返回给开发终端。

关于前端开发异常处理装置的具体限定可以参见上文中对于前端开发异常处理方法的限定，在此不再赘述。上述前端开发异常处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储异常解决方案数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种前端开发异常处理方法。

本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体地计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取前端开发任务的目标任务标识和目标开发者标识，前端开发任务处于正在开发状态，根据目标任务标识和目标开发者标识对目标任务标识对应的前端开发任务进行监控；当确定前端开发任务存在异常时，获取异常信息，将异常信息输入已训练的异常信息处理模型中，得到输出向量，异常信息处理模型根据历史异常信息和对应解决方案使用神经网络算法进行训练得到；根据输出向量得到异常解决方案，将异常解决方案返回给目标开发者标识对应的开发终端。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：接收开发终端发送的任务建立指令，任务建立指令携带有任务标识、开发者标识和前端开发状态，其中，开发者标识与任务标识对应，任务标识与前端开发状态对应；根据任务建立指令将任务标识、开发者标识和前端开发状态关联保存。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：当前端开发出现异常时，获取异常信息，判断异常信息类型；根据异常信息类型得到对应的已训练异常信息处理模型，将异常信息输入对应的已训练异常信息处理模型中，得到输出向量。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：当异常信息类型为网页图片型异常时，根据网页图片型异常得到对应的已训练卷积神经网络模型，卷积神经网络根据历史网页图片型异常和对应的解决方法使用卷积神经网络算法进行训练得到；将异常信息输入已训练卷积神经网络模型中，得到输出向量。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：当异常信息类型为代码型异常时，根据代码型异常得到对应的已训练多层前馈神经网络模型，多层前馈神经网络模型是根据历史代码型异常和对应的解决方法使用多层前馈神经网络算法进行训练得到的；将异常信息输入已训练多层前馈神经网络模型中，得到输出向量。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：建立异常信息数据库，异常信息数据库包括识别码字段、异常信息字段和解决方案字段；则处理器执行计算机程序时还实现以下步骤：判断异常信息对应的异常信息类型，根据异常信息类型得到对应的目标识别码；在异常信息数据库查找目标识别码，当查找到一致的目标识别码时，获取目标识别码对应的解决方案，将解决方案返回给开发终端。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：接收开发终端发送的目标解决方案选择指令，根据选择指令记录目标解决方案对应的选用次数；根据选用次数设置解决方案的优先级；则处理器执行计算机程序时还实现以下步骤：获取解决方案的优先级，根据优先级将解决方案返回给开发终端。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取前端开发任务的目标任务标识和目标开发者标识，前端开发任务处于正在开发状态，根据目标任务标识和目标开发者标识对目标任务标识对应的前端开发任务进行监控；当确定前端开发任务存在异常时，获取异常信息，将异常信息输入已训练的异常信息处理模型中，得到输出向量，异常信息处理模型根据历史异常信息和对应解决方案使用神经网络算法进行训练得到；根据输出向量得到异常解决方案，将异常解决方案返回给目标开发者标识对应的开发终端。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：接收开发终端发送的任务建立指令，任务建立指令携带有任务标识、开发者标识和前端开发状态，其中，开发者标识与任务标识对应，任务标识与前端开发状态对应；根据任务建立指令将任务标识、开发者标识和前端开发状态关联保存。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当前端开发出现异常时，获取异常信息，判断异常信息类型；根据异常信息类型得到对应的已训练异常信息处理模型，将异常信息输入对应的已训练异常信息处理模型中，得到输出向量。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当异常信息类型为网页图片型异常时，根据网页图片型异常得到对应的已训练卷积神经网络模型，卷积神经网络根据历史网页图片型异常和对应的解决方法使用卷积神经网络算法进行训练得到；将异常信息输入已训练卷积神经网络模型中，得到输出向量。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当异常信息类型为代码型异常时，根据代码类得到对应的已训练多层前馈神经网络模型，多层前馈神经网络模型是根据代码型异常和对应的解决方法使用多层前馈神经网络算法进行训练得到的；将异常信息输入已训练多层前馈神经网络模型中，得到输出向量。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：建立异常信息数据库，异常信息数据库包括识别码字段、异常信息字段和解决方案字段；则计算机程序被处理器执行时还实现以下步骤：判断异常信息对应的异常信息类型，根据异常信息类型得到对应的目标识别码；在异常信息数据库查找目标识别码，当查找到一致的目标识别码时，获取目标识别码对应的解决方案，将解决方案返回给开发终端。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：接收开发终端发送的目标解决方案选择指令，根据选择指令记录目标解决方案对应的选用次数；根据选用次数设置解决方案的优先级；则计算机程序被处理器执行时还实现以下步骤：获取解决方案的优先级，根据优先级将解决方案返回给开发终端。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。