HLB站缓存合并工具完整使用指南
项目概述
HLB站缓存合并是一款专为Android用户设计的实用工具,能够帮助用户将哔哩哔哩(B站)缓存的分段视频合并成完整的MP4文件。该工具支持安卓5.0到13系统,并提供视频挂载弹幕播放功能,让离线观看体验更加流畅。
核心功能特性
全格式支持
- 合并有声音视频、无声音视频和纯音频文件
- 智能处理番剧、电影等长视频内容
- 深度适配B站缓存的特殊文件结构
广泛兼容性
- 完美支持安卓5.0至13系统(理论上全覆盖)
- 适配各种品牌手机,无设备限制
- 低配置设备也能流畅运行
特色功能亮点
- 视频挂载弹幕播放,还原B站原味观看体验
- 简洁直观的操作界面,新手用户也能快速上手
- 本地化处理无需联网,保障用户隐私安全
使用流程详解
第一步:选择缓存文件
打开应用后,工具会自动扫描设备中的B站缓存视频,用户只需轻点选择需要合并的内容。
第二步:配置输出选项
根据实际需求选择合并模式(视频+音频/仅视频/仅音频),设置输出路径和文件名。
第三步:启动合并过程
点击合并按钮后,工具将自动处理分段文件,合并完成后会在指定目录生成完整的MP4文件。
界面设计与操作技巧
应用采用现代化的设计语言,主界面主要分为三个区域:
- 内容展示区:呈现所有可合并的B站缓存视频
- 功能操作区:包含合并、播放、设置等核心功能按钮
- 状态提示区:实时显示合并进度和操作结果
实用操作技巧
- 长按文件可进行批量操作,提高处理效率
- 合并后的视频默认保存在"DCIM/HLBMerge"目录
- 在设置中可调整弹幕显示样式和播放速度参数
技术架构分析
项目的核心代码位于app/src/main/java/com/molihua/hlbmerge/目录,主要通过以下关键模块实现功能:
- 文件管理模块:
service/impl/PathCacheFileManager.java负责扫描和解析B站缓存文件结构 - 视频处理模块:
ffmpeg/core/impl/FFmpegCommandCore.java利用FFmpeg技术进行音视频合并处理 - 用户界面模块:
activity/impl/MainActivity.java构建直观易用的操作界面 - 弹幕功能模块:
controller/videocontroller/component/VideoDanmakuView.java实现弹幕渲染效果
获取与安装方法
源码编译方式
用户可以通过以下命令获取项目源码进行编译:
git clone https://gitcode.com/gh_mirrors/bi/BilibiliCacheVideoMerge
预编译版本
- 访问项目发布页面获取稳定版本
- 加入官方交流群获取测试版本
安装时需要在系统设置中开启"未知来源应用安装"权限,安装完成后授予应用文件访问权限即可开始使用。
常见问题解决方案
问题一:扫描不到缓存文件
解决方案:请确保已授予应用文件访问权限,且B站客户端确实有缓存内容。部分手机需要手动设置"访问其他应用数据"权限。
问题二:合并后视频无声音
解决方案:这通常是因为缓存文件不完整导致的,请检查原缓存是否下载完成。建议在B站客户端中确认视频可正常播放后再进行合并操作。
问题三:支持视频文件大小限制
解决方案:理论上无大小限制,但合并大文件需要更长的处理时间和更多的存储空间,请确保设备有足够的剩余空间。
使用注意事项
- 本工具仅用于学习交流和技术研究,请勿用于商业用途
- 合并后的视频请在24小时内删除,支持正版内容创作
- 遇到技术问题可通过应用内反馈渠道提交,开发者会及时响应处理
项目优势总结
HLB站缓存合并工具凭借其专业的功能设计和简单易用的操作流程,成为B站用户离线观看的理想选择。无论是通勤路上观看番剧,还是保存珍贵的UP主视频内容,这款工具都能满足用户的需求。
该工具专门针对B站缓存结构进行深度优化,合并成功率高,有效避免了格式兼容性问题。项目基于Apache-2.0协议开源,代码安全可靠,欢迎开发者参与项目改进。
如果工具对您有帮助,欢迎为项目点赞支持。如有功能建议或问题反馈,也欢迎提交改进意见,共同完善这个实用的工具。
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00

