BilibiliUpload项目:Windows下直播录制后自动归档与转码方案
2025-06-15 23:15:40作者:傅爽业Veleda
在Windows环境下使用BilibiliUpload项目进行直播录制时,用户经常需要实现录制完成后自动归档到日期目录并执行转码操作的需求。本文将详细介绍如何通过脚本实现这一自动化流程。
需求分析
直播录制完成后通常会产生较大的视频文件,直接保存会占用大量存储空间且不易管理。主要需求包括:
- 按日期自动创建目录并移动文件
- 执行转码降低文件大小
- 在Windows环境下实现自动化
解决方案
基础方案尝试
用户最初尝试使用简单的shell命令实现文件移动:
{'postprocessor': [{'mv': 'E:\\path\\`date +%Y-%m-%H`'}]}
但发现Windows环境下会直接创建包含反引号的字面目录,无法正确解析日期变量。
Python脚本解决方案
更可靠的方案是使用Python脚本实现文件管理,以下是一个完整的实现示例:
import os
import shutil
import re
import subprocess
from datetime import datetime
# 设置输出目录
output_folder = "视频归档"
os.makedirs(output_folder, exist_ok=True)
# 获取当前目录下所有视频文件
video_files = [f for f in os.listdir() if os.path.isfile(f) and f.lower().endswith((".mp4", ".flv", ".mkv"))]
for video_file in video_files:
# 从文件名中提取日期信息
match = re.search(r'\d{4}-\d{2}-\d{2}', video_file)
if match:
# 使用匹配到的日期创建目录
date_str = match.group()
folder_path = os.path.join(output_folder, date_str)
os.makedirs(folder_path, exist_ok=True)
# 移动文件到对应目录
src_path = os.path.join(os.getcwd(), video_file)
dest_path = os.path.join(folder_path, video_file)
shutil.move(src_path, dest_path)
# 转码处理
output_file = os.path.join(folder_path, f"compressed_{video_file}")
ffmpeg_cmd = [
"ffmpeg",
"-i", dest_path,
"-c:v", "libx264",
"-crf", "28", # 控制质量,值越大压缩率越高
"-preset", "fast",
"-c:a", "copy", # 保持原音频
output_file
]
subprocess.run(ffmpeg_cmd)
# 可选:删除原始文件
os.remove(dest_path)
else:
print(f"无法从文件名 {video_file} 中提取日期信息,跳过处理")
print("视频文件处理完成:归档并转码")
关键点说明
-
日期提取:通过正则表达式从文件名中提取日期信息,假设文件名中包含类似"2025-04-01"的日期格式
-
目录创建:使用
os.makedirs创建日期目录,exist_ok=True参数确保目录已存在时不会报错 -
文件移动:
shutil.move函数实现文件移动操作 -
FFmpeg转码:使用subprocess调用FFmpeg进行视频压缩,关键参数:
-crf 28:控制输出质量与文件大小的平衡-preset fast:平衡编码速度与压缩率-c:a copy:直接复制音频流,避免重新编码
-
错误处理:对不符合命名规范的文件进行跳过处理
进阶优化建议
-
日志记录:添加详细的日志记录,便于排查问题
-
配置文件:将转码参数、目录结构等配置外置
-
多线程处理:对于大量文件可使用多线程加速处理
-
异常处理:增加更完善的异常捕获和处理机制
-
进度显示:添加处理进度显示功能
部署说明
- 确保系统已安装Python环境和FFmpeg
- 将脚本保存为
post_process.py - 在BilibiliUpload的postprocessor配置中调用此脚本
- 根据实际需求调整转码参数和目录结构
通过此方案,用户可以轻松实现直播录制后的自动化文件管理和转码处理,有效节省存储空间并保持文件组织有序。
登录后查看全文
热门项目推荐
相关项目推荐
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C030
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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
项目优选
收起
deepin linux kernel
C
26
10
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
425
3.26 K
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++
689
334
暂无简介
Dart
686
161
Ascend Extension for PyTorch
Python
231
264
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
React Native鸿蒙化仓库
JavaScript
266
326
🎉 (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
1.22 K
667
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
19
30