高效全平台命令行图片下载工具:gallery-dl从入门到精通
gallery-dl是一款功能强大的命令行图片下载工具,支持从数十个主流图像托管平台批量下载图片和相册。无论是社交媒体相册、艺术作品展示还是摄影分享站点,它都能帮助用户快速获取高质量媒体内容,是内容创作者、设计师和摄影爱好者的必备工具。
核心功能解析
如何用基础命令实现多平台图片批量下载?
要开始使用gallery-dl,只需掌握最基础的命令格式:gallery-dl [URL]。这个简洁的指令能自动识别目标平台并下载所有可获取的媒体文件。例如,下载一个Instagram用户的所有公开相册,只需执行:gallery-dl https://www.instagram.com/example_user/。该工具会自动处理分页加载,无需用户手动翻页,真正实现一键批量获取。
如何通过内置提取器支持80+平台?
gallery-dl的强大之处在于其丰富的平台支持,这得益于项目精心设计的提取器架构。在gallery_dl/extractor/目录下,每个平台都有专门的提取器模块(如instagram.py、pinterest.py),这些模块负责解析特定网站的页面结构和媒体链接。当检测到新的URL时,系统会自动匹配对应的提取器,确保在不同平台上都能高效工作。
🎯 无论是需要保存Twitter上的图片推文,还是下载DeviantArt上的插画集,gallery-dl都能提供一致的使用体验,无需为每个平台学习不同的操作方法。
高效使用指南
3步快速上手gallery-dl
第一步:安装工具
通过pip命令快速安装:pip install gallery-dl,或从源码安装:git clone https://gitcode.com/GitHub_Trending/ga/gallery-dl && cd gallery-dl && python setup.py install
第二步:基本下载操作
直接指定目标URL即可开始下载:gallery-dl https://www.pinterest.com/example_board/,文件会默认保存到当前目录的gallery-dl文件夹中。
第三步:查看帮助信息
通过gallery-dl --help获取完整命令选项,或查阅[docs/options.md]了解所有可用参数。
5个实用参数组合提升下载效率
| 参数组合 | 效果描述 | 适用场景 |
|---|---|---|
-d ~/Pictures |
指定下载目录 | 整理不同平台的下载文件 |
-r 5 |
设置5秒请求间隔 | 避免对服务器造成压力 |
-i urls.txt |
从文件读取多个URL | 批量下载多个资源 |
--limit 20 |
限制下载数量 | 快速预览内容质量 |
--username user --password pass |
提供账号认证 | 下载需要登录的私有内容 |
🛠️ 使用这些参数组合可以大幅提升下载效率,例如:gallery-dl -d ~/Instagram -r 3 https://www.instagram.com/example_user/将以3秒间隔下载内容到指定目录。
进阶配置技巧
如何通过配置文件实现自定义下载规则?
虽然gallery-dl支持命令行参数配置,但对于复杂需求,建议创建配置文件。在用户主目录下创建.gallery-dl.conf文件,即可定义默认下载路径、代理设置、文件名格式等高级选项。例如:
{
"base-directory": "~/Downloads/Images",
"filename-format": "{title}_{id}.{extension}",
"extractor": {
"instagram": {
"include_videos": false
}
}
}
典型场景:定时备份Pinterest画板
结合系统定时任务工具(如cron),可以实现定期自动备份。编辑crontab:crontab -e,添加如下任务:
0 1 * * * gallery-dl -q https://www.pinterest.com/example_board/ >> ~/pinterest_backup.log 2>&1
这将每天凌晨1点自动备份指定画板,并记录日志。
📌 对于需要频繁下载的用户,还可以利用gallery_dl/job.py模块编写自定义下载任务脚本,实现更复杂的下载逻辑和错误处理机制。
通过掌握这些核心功能和高级技巧,gallery-dl能成为你日常工作流中高效的媒体获取工具。无论是内容备份、素材收集还是数据归档,它都能以命令行的简洁方式,提供强大而灵活的解决方案。
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 StartedRust0201
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0130
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07