3步搞定Legado书源备份:从此换设备不丢收藏
你是否遇到过换手机后书源全部丢失的尴尬?或者想把精心整理的书源分享给朋友却不知从何下手?本文将带你通过3个简单步骤,掌握Legado批量导出书源的方法,让你的阅读收藏永不丢失。
读完本文你将学会:
- 快速进入书源管理界面
- 一键批量导出所有书源
- 备份文件的保存位置与分享技巧
- 书源导入与迁移的实用方法
准备工作:了解书源管理界面
Legado的书源管理功能集中在activity_book_source.xml布局文件中,该界面包含书源列表、搜索框和操作菜单。在开始导出前,我们需要先进入这个界面:
- 打开Legado应用
- 点击底部导航栏的"我的"图标
- 在设置菜单中找到"书源管理"选项
书源管理界面主要包含以下元素:
- 顶部搜索框:可按名称筛选书源
- 书源列表:显示所有已添加的书源
- 批量操作按钮:位于右上角的更多菜单中
- 分组标签:可按类别查看不同组的书源
第一步:批量选择书源
- 在书源管理界面,长按任意书源项激活批量选择模式
- 点击"全选"按钮选择所有书源,或手动勾选需要导出的书源
- 确认选择后,点击底部操作栏中的"导出"按钮
提示:书源分组功能可帮助你更好地管理不同类型的书源,导出时也可以按分组选择。相关实现代码可参考bookSources.json文件中的"bookSourceGroup"字段。
第二步:执行导出操作
导出功能由ExportBookService服务处理,操作步骤如下:
- 选择书源后,点击"导出"按钮
- 在弹出的对话框中,选择"导出选中书源"
- 等待导出完成提示,通常只需几秒钟
导出过程中,应用会将书源数据转换为JSON格式,其结构与默认书源文件保持一致,包含书源名称、URL、规则等完整信息。
第三步:查找备份文件
导出的书源文件默认保存在以下位置:
内部存储/Legado/backup/bookSources/
文件命名格式为bookSources_yyyyMMdd_HHmmss.json,例如bookSources_20231031_153022.json。你可以通过以下方式找到该文件:
- 在Legado中点击"文件管理"FileManageActivity
- 导航到上述备份目录
- 长按文件可进行分享、复制或移动操作
书源分享与迁移技巧
分享书源文件
导出的JSON文件可以通过多种方式分享:
- 直接通过蓝牙、微信等应用分享文件
- 将文件上传到云存储,方便多设备同步
- 使用Legado的"导入网络书源"功能,通过URL分享
导入书源的两种方法
-
本地文件导入:
- 在书源管理界面点击"导入"
- 选择"本地导入"并导航到备份文件
- 确认导入即可恢复所有书源
-
一键导入链接: 使用Legado支持的特殊URL格式:
legado://import/bookSource?src=https://example.com/your_bookSources.json
高级技巧:自动备份与云同步
虽然Legado目前没有内置自动备份功能,但你可以通过以下方法实现类似效果:
- 使用文件管理器应用设置定时备份任务
- 将备份目录与云盘同步(如百度云、Dropbox等)
- 定期检查backup文件夹,确保备份文件最新
注意:书源文件包含网站规则等敏感信息,建议仅分享给信任的人,不要公开传播可能涉及版权的内容。
故障排除:常见问题解决
导出失败怎么办?
- 检查存储空间是否充足
- 确认应用有文件写入权限AndroidManifest.xml
- 尝试单独导出部分书源,排查异常书源
导入后书源无法使用?
- 检查书源文件格式是否正确
- 确认书源URL是否仍然有效
- 尝试更新Legado到最新版本
总结与展望
通过本文介绍的方法,你已经掌握了Legado书源的批量导出与备份技巧。定期备份书源不仅可以防止数据丢失,也是分享阅读资源的好方法。官方帮助文档help中还有更多关于书源规则编写的高级技巧,感兴趣的读者可以进一步学习。
建议每月至少进行一次书源备份,并将重要的备份文件存储在多个位置。这样即使更换设备或遇到应用问题,也能快速恢复你的阅读收藏。
如果觉得本文对你有帮助,请点赞收藏,也欢迎在评论区分享你的书源管理心得!
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00