BiliBiliToolPro批量取关功能使用指南:清理关注列表的利器
你是否也曾遇到关注列表日益臃肿,想清理却又苦于手动操作繁琐的问题?BiliBiliToolPro的批量取关功能正是为解决这一痛点而生。本文将详细介绍如何利用该工具高效清理B站关注列表,让你的关注列表重回清爽。读完本文,你将掌握批量取关功能的配置方法、使用步骤以及注意事项,轻松实现关注列表的智能化管理。
功能概述
批量取关功能是BiliBiliToolPro提供的一项实用功能,旨在帮助用户快速、批量地取消对B站主播的关注,从而有效管理关注列表。该功能支持通过多种部署方式进行配置和运行,满足不同用户的使用习惯。其核心实现位于src/Ray.BiliBiliTool.Application/UnfollowBatchedTaskAppService.cs,通过调用账户领域服务的批量取关方法来完成操作。
部署环境准备
在使用批量取关功能之前,需要确保已正确部署BiliBiliToolPro。目前支持多种部署方式,你可以根据自己的实际情况选择:
- Docker部署:详细部署步骤可参考docker/README.md,通过Docker容器化部署,简化环境配置过程。
- 青龙面板部署:适用于已搭建青龙面板的用户,相关脚本位于qinglong/目录下。
- Kubernetes部署:对于有K8s环境的用户,可使用helm/bilibili-tool/目录下的Helm Chart进行部署。
功能配置
基础配置文件
批量取关功能的基础配置依赖于项目中的配置文件。你可以通过修改src/Ray.BiliBiliTool.Console/appsettings.json来进行相关设置,例如启用或禁用批量取关功能、设置取关条件等。
任务调度设置
在青龙面板部署方式下,批量取关任务的调度配置位于qinglong/DefaultTasks/bili_task_unfollowBatched.sh文件中。默认的定时任务设置为每月1日12:00执行:
#!/usr/bin/env bash
# cron:0 12 1 * *
# new Env("bili批量取关主播")
. bili_task_base.sh
target_task_code="UnfollowBatched"
run_task "${target_task_code}"
你可以根据自己的需求修改cron表达式,调整任务执行的时间和频率。
功能使用步骤
1. 启用批量取关功能
首先需要确保在配置中启用批量取关功能。在src/Ray.BiliBiliTool.Config/Options/目录下的相关配置文件中,将UnfollowBatchedTaskOptions的IsEnable属性设置为true。
2. 配置取关参数
根据个人需求,配置取关的相关参数,例如取关的条件(如关注时间、是否互动等)、每次取关的数量限制等。这些参数的配置可以在应用的配置文件中进行,具体可参考docs/configuration.md。
3. 运行批量取关任务
根据你所使用的部署方式,运行批量取关任务:
- 青龙面板:在青龙面板的任务列表中找到"bili批量取关主播"任务,点击运行按钮即可手动触发,或等待定时任务自动执行。
- 命令行方式:如果是通过命令行运行,可以执行相应的命令来启动批量取关任务。
4. 查看任务执行结果
任务执行完成后,你可以通过查看日志来了解取关情况。日志文件的位置和查看方式可参考官方文档中的日志相关部分。此外,部分部署方式还支持推送通知功能,你可以配置将执行结果推送到指定的通知渠道,如微信、钉钉等,具体配置可参考docs/目录下的相关文档。
注意事项
在使用批量取关功能时,需要注意以下几点:
- 请谨慎设置取关条件,避免误取消对喜爱主播的关注。建议在首次使用时先进行小范围测试,确认取关结果符合预期后再进行大规模操作。
- 考虑到B站的接口限制,批量取关操作可能存在一定的频率限制。工具内部已做了相应的处理,但仍建议不要过于频繁地执行批量取关任务。
- 确保你的BiliBiliToolPro版本是最新的,以获得最佳的功能支持和稳定性。你可以通过项目的README.md了解版本更新信息和升级方法。
- 在执行批量取关任务时,确保网络连接稳定,避免因网络问题导致任务中断或执行异常。
通过以上步骤,你就可以轻松使用BiliBiliToolPro的批量取关功能,让你的B站关注列表保持整洁有序。如有任何问题,可查阅项目的官方文档或在社区寻求帮助。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00