BilibiliHistoryFetcher:B站数据管理神器,让你的观看历史尽在掌握
想知道自己在B站究竟花了多少时间?最爱的UP主是谁?哪个时间段看视频最疯狂?今天给大家推荐一款B站数据管理神器——BilibiliHistoryFetcher,它能帮你轻松获取、分析和管理所有B站观看记录,让你的个人观看行为分析不再困难。
🌱 价值定位:为什么你需要这款效率工具
在信息爆炸的时代,我们每天在B站消费大量视频内容,但很少有人真正了解自己的观看习惯。BilibiliHistoryFetcher正是为解决这个痛点而生的开源工具,它就像你的私人数据管家,帮助你:
- 永久保存观看历史,再也不怕记录丢失
- 生成详细的观看行为分析报告
- 下载收藏的视频,打造个人本地视频库
- 多设备同步数据,随时随地查看
无论是想了解自己的娱乐习惯,还是希望更高效地管理B站内容,这款工具都能满足你的需求。
🔧 零基础环境搭建:3步完成安装配置
别担心技术门槛,即使你是编程小白,也能按照以下步骤轻松搞定:
✅ 第一步:准备工作
确保你的电脑安装了Python 3.10或更高版本。如果没有安装,可以去Python官网下载并安装。
✅ 第二步:获取项目代码
打开命令行工具,输入以下命令克隆项目:
git clone https://gitcode.com/gh_mirrors/bi/BilibiliHistoryFetcher
cd BilibiliHistoryFetcher
✅ 第三步:安装依赖
在项目目录下运行以下命令安装所需依赖:
pip install -r requirements.txt
常见错误排查:如果出现"pip: command not found"错误,尝试使用"pip3"代替"pip"。如果安装过程中出现权限问题,在命令前加上"sudo"(Mac/Linux)或在管理员模式下运行命令提示符(Windows)。
🚀 场景化解决方案:解锁你的B站数据价值
3步获取并分析观看历史
✅ 第一步:配置认证信息
编辑config/config.yaml文件,找到SESSDATA配置项,填入你B站账号的SESSDATA值(获取方法:登录B站后,在浏览器开发者工具的Cookie中找到SESSDATA)。
✅ 第二步:启动数据获取
运行主程序开始获取历史数据:
python main.py
✅ 第三步:查看分析报告
数据获取完成后,你可以在项目的output/analytics目录下找到自动生成的分析报告,包含观看时长统计、最常观看的UP主、观看时间分布等信息。
视频下载与管理技巧分享
适用场景:想把收藏的视频保存到本地,防止失效或方便离线观看。
使用方法:
# 下载收藏夹所有视频
python scripts/collection_download.py
该功能支持断点续传和批量队列管理,即使中途网络中断,重新运行命令后会从上次中断的地方继续下载。
多设备数据同步方案
适用场景:在多台电脑上使用BilibiliHistoryFetcher,希望保持数据一致。
实现方法很简单:
- 在主设备上找到项目目录下的output文件夹
- 将整个output文件夹复制到其他设备的相同项目目录下
- 启动程序,系统会自动识别并使用已有的数据
你也可以将output文件夹同步到云盘(如百度云、OneDrive等),实现自动同步。
🔒 数据安全与隐私保护
在享受数据管理便利的同时,保护个人隐私也很重要:
✅ 本地数据存储:所有数据都保存在本地,不会上传到任何服务器
✅ 敏感信息处理:配置文件中的认证信息仅保存在本地,不会被分享或上传
✅ 定期备份:建议定期备份output目录,防止数据丢失
✅ 权限控制:确保只有你自己能访问你的数据文件
功能展示
虽然我们没有实际的数据分析截图,但BilibiliHistoryFetcher能生成类似下面这样的观看热力图,帮你直观了解自己的观看习惯:
(注:此处应有一张观看热力图,展示用户一周内各时段的观看频率分布)
数据分析
通过BilibiliHistoryFetcher,你可以获得详细的个人观看行为分析,包括:
- 观看视频总数和总时长
- 最常观看的视频类型分布
- 观看时间分布规律
- 关注的UP主分析
这些数据能帮助你更好地了解自己的娱乐习惯,做出更明智的内容消费决策。
💡 数据应用创意清单
除了基本的数据管理和分析功能,你还可以这样玩转你的B站数据:
-
年度观看报告:结合工具生成的数据,制作个性化的年度观看总结,分享到社交媒体
-
智能观看提醒:根据你的观看习惯,设置健康观看提醒,避免过度沉迷
-
内容推荐优化:分析自己的观看偏好,手动调整B站的推荐算法,让首页内容更符合你的兴趣
通过BilibiliHistoryFetcher这款B站数据管理工具,你不仅能掌握自己的观看历史,还能深入了解自己的内容消费习惯。无论是想提高时间管理效率,还是打造个人视频收藏库,这款开源工具都能满足你的需求。现在就开始探索你的B站数据世界吧!
如果你在使用过程中遇到任何问题,可以加入官方交流群获取帮助:
(群号:1030089634)
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedJavaScript095- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiMo-V2.5-ProMiMo-V2.5-Pro作为旗舰模型,擅⻓处理复杂Agent任务,单次任务可完成近千次⼯具调⽤与⼗余轮上 下⽂压缩。Python00
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
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
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
