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
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- 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
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
668
4.3 K
deepin linux kernel
C
28
16
Ascend Extension for PyTorch
Python
513
622
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
398
299
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++
943
884
🎉 (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
1.56 K
906
暂无简介
Dart
918
222
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.07 K
559
昇腾LLM分布式训练框架
Python
142
169
仓颉编程语言运行时与标准库。
Cangjie
163
924