MeTube 自托管视频下载器安装与使用教程
2024-08-10 14:22:25作者:瞿蔚英Wynne
1. 项目目录结构及介绍
MeTube 是一个基于 web 的界面,用于通过 yt-dlp 库下载视频网站的内容。其主要目录结构如下:
.
├── Dockerfile # Docker 容器构建文件
├── docker-compose.yml # Docker Compose 配置文件
├── static # 存放静态资源(如 CSS、JavaScript)
└── templates # HTML 模板文件
Dockerfile: 用于创建 Docker 映像,包含了运行 MeTube 所需的环境。docker-compose.yml: Docker Compose 文件,可简化多容器应用的部署。static: 包含了应用所需的前端资源,例如 CSS 样式表和 JavaScript 脚本。templates: 包含了应用程序的 HTML 模板,用于渲染页面。
2. 项目启动文件介绍
MeTube 使用 Docker 进行部署,主要依赖于两个文件进行启动:
- Dockerfile: 该文件定义了如何构建 Docker 映像。它指定基础镜像、设置工作目录、添加源代码、安装依赖并配置运行时环境。
# 在终端执行以下命令来构建 Docker 映像
docker build -t metube .
- docker-compose.yml: 使用 Docker Compose 启动 MeTube,它管理多个服务,包括 Metube 本身以及可能的网络配置和数据卷。
# 在终端执行以下命令以启动 MeTube
docker-compose up -d
3. 项目配置文件介绍
MeTube 的主要配置是通过 Docker 环境变量进行的。以下是关键的环境变量及其作用:
UID: 指定 MeTube 运行时使用的用户 ID,默认为 1000。GID: 指定 MeTube 运行时使用的组 ID,默认为 1000。UMASK: 设置 MeTube 创建文件时的权限掩码,默认未指定。
要设置这些变量,可以在运行 Docker 命令时使用 -e 参数,或者在 docker-compose.yml 中的 environment 部分中定义它们。
例如,如果你想改变默认的 UID 和 GID,可以这样运行 docker-compose:
docker-compose up -d --build -e UID=1001 -e GID=1001
此外,可以通过挂载本地目录到容器内的 /path/to/downloads 来保存下载的视频。例如,在 docker-compose.yml 中增加数据卷:
volumes:
- ./local_downloads:/path/to/downloads
这将把容器内的 /path/to/downloads 目录映射到你的主机上的 ./local_downloads。
完成以上步骤后,你应该已经成功地设置了 MeTube 并可以开始使用这个自托管的视频下载器了。请注意,为了保持最新功能,定期更新 Docker 映像很重要。你可以利用 watchtower 或手动更新来实现这一目的。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
297
2.65 K
Ascend Extension for PyTorch
Python
130
152
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++
608
192
React Native鸿蒙化仓库
JavaScript
229
307
暂无简介
Dart
592
129
🎉 (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
1.05 K
612
仓颉编译器源码及 cjdb 调试工具。
C++
122
504
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,专门为Transformer模型的训练和推理而设计。
C++
48
77
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
180
65
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
1.02 K
456