BilibiliUpload项目:Windows下直播录制后自动归档与转码方案
2025-06-15 01:54:30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
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue06- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
570
3.84 K
Ascend Extension for PyTorch
Python
381
456
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++
894
679
暂无简介
Dart
803
198
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
353
209
昇腾LLM分布式训练框架
Python
119
146
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
12
1
🔥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
68
20
🎉 (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
1.37 K
781