3步打造个性化资源筛选引擎：Jackett评分系统深度指南

当你面对几十个甚至上百个索引器（资源搜索源，类似搜索引擎的数据源）时，如何快速找到真正优质的资源？当搜索结果多达数百项时，如何避免在低质量内容中浪费时间？Jackett的隐藏评分系统正是为解决这些问题而设计，它能帮助你建立精准的资源筛选标准，从海量结果中提取最有价值的内容。本文将通过"问题剖析-核心原理-实践指南-进阶拓展"四个环节，全面解锁这一强大功能。

一、问题剖析：索引器选择的三大痛点

在使用Jackett的过程中，用户常常面临以下挑战：

信息过载困境：配置了多个索引器后，搜索结果往往包含大量重复和低质量资源，需要手动筛选。
质量判断难题：无法快速识别资源的真实质量，只能依赖文件名和大小等表面信息。
个性化缺失：不同用户对"优质资源"的定义不同，但默认搜索结果缺乏针对性筛选机制。

这些问题的根源在于缺乏系统化的资源质量评估体系。Jackett的评分系统通过多维度数据整合，为每个资源提供可量化的质量指标，从根本上解决上述痛点。

二、核心原理：揭秘Jackett评分系统架构

Jackett评分系统采用三层架构设计，从数据采集到结果呈现形成完整闭环：

1. 数据采集层：多源评分数据整合

系统从索引器API获取三类核心评分数据：

• 社区评分：索引器内部用户对资源的评价（如bhd_rating）
• 专业数据库评分：来自IMDb（互联网电影数据库）的imdb_rating
• 用户评分平台：来自TMDb（电影数据库）的tmdb_rating

这些数据通过特定参数进行筛选，关键参数定义如下：

// 评分筛选参数常量定义
internal const string min_bhd = "min_bhd";   // 最小社区评分阈值
internal const string min_imdb = "min_imdb"; // 最小IMDb评分阈值
internal const string min_tmdb = "min_tmdb"; // 最小TMDb评分阈值

2. 数据处理层：结构化评分模型

评分数据在索引器实现类中被封装为结构化对象：

// 评分数据模型示例
public class ResourceRating {
    public decimal bhd_rating { get; set; }  // 社区评分（0-10分）
    public decimal imdb_rating { get; set; } // IMDb评分（0-10分）
    public decimal tmdb_rating { get; set; } // TMDb评分（0-10分）
}

系统支持多种排序方式，可按不同评分维度进行升序或降序排列：

internal const string sort = "sort";       // 排序字段
internal const string order = "order";     // 排序方向（asc/desc）

3. 应用层：评分数据集成与展示

处理后的评分数据通过ReleaseInfo模型集成到搜索结果中，最终展示给用户。这一模型定义了评分数据如何在前端界面呈现，使用户能够直观地看到每个资源的多维度评分。

图1：Jackett手动搜索界面展示了包含评分数据的搜索结果列表

三、实践指南：三步配置个性化评分筛选

第一步：识别支持评分系统的索引器

并非所有索引器都支持评分系统。目前主要在BeyondHD等高级索引器中实现了完整的评分功能。在Jackett主界面的"Configured Indexers"列表中，可查看已配置的索引器：

图2：Jackett索引器配置界面，显示已配置的索引器列表

💡 小贴士：寻找标记为"Private"的高级索引器，这些通常提供更丰富的评分数据和筛选选项。

第二步：配置基础评分筛选条件

1. 在索引器列表中，点击目标索引器的"配置"按钮（铅笔图标）
2. 在配置页面中找到"评分筛选"部分
3. 设置各评分维度的最小值：
   • 社区评分（BHD）：建议设置为7.0-8.0
   • IMDb评分：建议设置为6.5-7.5
   • TMDb评分：建议设置为7.0-8.0
4. 选择排序方式（如按IMDb评分降序）
5. 保存配置并测试搜索

⚠️ 注意事项：阈值设置过高可能导致搜索结果为空，建议从较低阈值开始，逐步调整至最佳水平。

第三步：验证与优化筛选效果

配置完成后，通过"Manual Search"功能测试评分筛选效果：

1. 进入手动搜索界面（点击顶部"Manual Search"按钮）
2. 输入搜索关键词，选择已配置评分筛选的索引器
3. 观察搜索结果是否符合预期质量标准
4. 根据结果调整评分阈值，优化筛选效果

图3：在手动搜索界面中可查看评分筛选后的资源结果

四、进阶拓展：解锁评分系统高级功能

组合筛选策略

针对不同资源类型，可采用差异化的评分组合策略：

影视资源优化策略：

min_imdb=7.5 AND min_tmdb=8.0 AND vote_count>1000

要求IMDb评分7.5以上，TMDb评分8.0以上，且投票人数超过1000人

社区资源筛选策略：

min_bhd=8.0 AND vote_bhd>50

要求社区评分8.0以上，且至少50人参与评分

为其他索引器添加评分支持

虽然目前评分系统主要在BeyondHD中实现，但可通过以下步骤为其他索引器添加类似功能：

1. 创建新的索引器定义类，继承自BaseIndexer
2. 添加评分相关属性（参考BeyondHDAPI.cs中的实现）
3. 实现评分参数处理逻辑
4. 在搜索结果解析中集成评分数据

相关基础类定义可在src/Jackett.Common/Indexers/BaseIndexer.cs中找到。

自定义评分算法

高级用户可实现自定义评分计算逻辑，例如加权综合评分：

// 自定义加权评分计算示例
public decimal CalculateWeightedScore(ResourceRating rating) {
    // 40% IMDb评分 + 30% TMDb评分 + 30% 社区评分
    return (rating.imdb_rating * 0.4m) + 
           (rating.tmdb_rating * 0.3m) + 
           (rating.bhd_rating * 0.3m);
}

这一算法可集成到结果处理流程中，实现更个性化的评分排序。

读者挑战：实践任务

1. 基础任务：为BeyondHD索引器配置评分筛选，设置min_imdb=7.0和min_tmdb=7.5，比较配置前后的搜索结果质量差异。

2. 进阶任务：分析ReleaseInfo模型（位于src/Jackett.Common/Models/ReleaseInfo.cs），尝试在搜索结果界面中添加自定义加权评分显示。

3. 专家任务：为一个新的索引器实现评分系统支持，参考BeyondHDAPI.cs的实现方式，添加社区评分和专业数据库评分的采集与筛选功能。

通过这些实践，你将深入理解Jackett评分系统的工作原理，并能根据个人需求打造真正个性化的资源筛选引擎。

官方文档：README.md
贡献指南：CONTRIBUTING.md
索引器定义：src/Jackett.Common/Definitions/