Gallery-dl配置:解决FurAffinity收藏夹下载分类问题
2025-05-17 09:25:51作者:霍妲思
在使用gallery-dl下载FurAffinity网站内容时,用户经常需要处理不同类型的作品分类。本文重点探讨如何正确配置gallery-dl来实现从用户收藏夹下载作品时,按照作品在原作者画廊中的分类(Gallery或Scraps)进行存储。
问题背景
当从FurAffinity用户的收藏夹下载作品时,默认情况下所有下载的作品都会被标记为"favorites"分类。这会导致文件存储路径不符合预期,例如:
/furaffinity/[ARTIST]/favorites/[FILE]
而用户实际期望的是能够根据作品在原作者画廊中的实际分类(Gallery主画廊或Scraps草稿区)来存储,如:
/furaffinity/[ARTIST]/gallery/[FILE]
/furaffinity/[ARTIST]/scraps/[FILE]
解决方案
gallery-dl提供了灵活的配置选项,允许用户针对不同的子分类(subcategory)设置不同的存储路径。以下是推荐的配置方案:
"furaffinity": {
"include": "gallery,scraps",
"layout": "auto",
"filename": "{filename}.{extension}",
"directory": ["{category}", "{artist}", "{subcategory}"],
"favorite": {
"directory": ["{category}", "{user}", "{subcategory}", "{artist}"]
}
}
配置解析
-
基础配置:
include: 指定要包含的子分类(gallery和scraps)layout: 设置为auto自动布局filename: 定义文件名格式directory: 默认目录结构(分类/作者/子分类)
-
特殊配置:
favorite: 专门针对收藏夹的配置directory: 覆盖默认路径,改为(分类/用户/子分类/作者)结构
技术要点
-
子分类覆盖:gallery-dl允许为特定子分类(如favorite)提供覆盖配置,这让我们可以针对不同来源的作品设置不同的存储策略。
-
路径变量:
{category}: 网站分类(如furaffinity){artist}: 作品原作者{user}: 收藏该作品的用户{subcategory}: 作品子分类(gallery/scraps/favorites)
-
局限性说明:目前gallery-dl无法直接从收藏夹获取作品在原画廊中的分类信息(gallery或scraps),因此无法实现完全的自动分类存储。
最佳实践建议
- 对于需要精确分类的用户,建议直接下载原作者画廊而非收藏夹
- 可以考虑使用后续脚本对下载的文件进行二次分类
- 定期检查gallery-dl更新,未来版本可能会增加更精细的分类支持
通过合理配置gallery-dl,用户可以最大限度地优化FurAffinity作品的下载和组织方式,虽然目前存在一些限制,但已经能够满足大多数基本使用需求。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
最新内容推荐
IEC61850建模工具及示例资源:智能电网自动化配置的完整指南 海康威视DS-7800N-K1固件升级包全面解析:提升安防设备性能的关键资源 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 Photoshop作业资源文件下载指南:全面提升设计学习效率的必备素材库 海能达HP680CPS-V2.0.01.004chs写频软件:专业对讲机配置管理利器 咖啡豆识别数据集:AI目标检测在咖啡质量控制中的革命性应用 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
177
195
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
647
263
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
270
93
暂无简介
Dart
623
140
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
378
3.33 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.1 K
621
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1