Phockup:解放双手的媒体文件自动整理工具,让摄影爱好者告别文件混乱烦恼
你是否曾在旅行归来后,面对相机、手机里散落的数百张照片感到无从下手?是否因找不到某个重要时刻的视频而焦头烂额?Phockup作为一款开源媒体整理神器,通过智能时间分类、批量重命名和异常文件隔离三大核心功能,让杂乱的媒体文件自动归位,彻底释放你的整理压力。
📅 三步实现媒体文件自动归档:从混乱到有序的蜕变
告别手动分类烦恼:智能时间轴构建
Phockup能深度解析照片和视频的创建信息,自动提取拍摄时间并生成年/月/日的层级目录结构。无论是手机随手拍的短视频,还是单反相机的RAW格式照片,都能被精准归类到对应时间文件夹,让你的媒体库像时间机器一样清晰可溯。
告别重复文件困扰:智能重命名机制
系统会根据原始文件名和拍摄时间生成新文件名,既保留原始信息又确保唯一性。当检测到重复文件时,会自动添加序号区分,避免文件覆盖风险。例如"DSC_001.jpg"可能被重命名为"20230615_143022_DSC_001.jpg",让每个文件都有明确的时间标识。
告别异常文件焦虑:智能异常处理
对于缺失拍摄信息或格式不支持的文件,Phockup会统一存放到"unknown"文件夹,并保留原始文件名。这一设计既避免了文件丢失,又方便后续手动整理,让你无需担心特殊文件被误处理。
🛠️ 零基础上手指南:5分钟完成媒体整理部署
方式一:Python环境直接安装
git clone https://gitcode.com/gh_mirrors/ph/phockup
cd phockup
python3 -m venv venv
source venv/bin/activate # Windows用户使用: venv\Scripts\activate
pip install -r requirements.txt
方式二:系统全局安装
git clone https://gitcode.com/gh_mirrors/ph/phockup
cd phockup
sudo pip3 install .
基础使用命令
# 基本用法:整理input目录到output目录
phockup ~/相机相册 ~/整理后的相册
# 高级用法:保留原始文件,仅创建硬链接
phockup ~/SD卡照片 ~/家庭相册 --link
# 自定义日期格式:按年-季度-月组织
phockup ~/旅行照片 ~/年度旅行 --date-format "%Y/Q%q/%m"
💼 行业应用新场景:不止于个人相册
婚礼摄影工作室:批量处理客户照片
婚礼摄影师通常需要在拍摄结束后24小时内交付初修照片。使用Phockup可将全天拍摄的数千张照片按仪式流程(接亲、仪式、晚宴)自动分类,配合自定义日期格式功能,快速生成客户专属的时间线相册,工作效率提升40% 以上。
考古现场记录:文物影像系统化管理
考古团队在发掘现场会拍摄大量文物照片,Phockup能根据照片元数据中的时间和设备信息,结合自定义正则表达式,将不同探方、不同层位的文物照片自动归类,为后续研究和报告撰写提供结构化的影像资料。
🔍 核心技术解析:四大模块协同工作
| 核心模块 | 功能作用 | 使用场景 |
|---|---|---|
| src/phockup.py | 程序主入口,协调各模块工作 | 控制整个整理流程,处理命令行参数 |
| src/date.py | 多渠道日期提取与格式化 | 从文件名、元数据中解析时间信息 |
| src/exif.py | 媒体文件元数据读取 | 获取照片拍摄时间、设备型号等信息 |
| src/dependency.py | 系统依赖检查 | 确保ImageMagick等必要工具已安装 |
📝 最佳实践建议
- 初始测试:首次使用时,建议先用少量文件测试命令参数,确认输出效果符合预期
- 增量整理:对已有归档的文件夹,使用
--dry-run参数预览变化,避免重复处理 - 定期维护:每月花10分钟整理新文件,比堆积数月后集中处理更高效
- 备份优先:重要照片在整理前建议备份,虽然Phockup默认仅移动文件,但意外总是难免
Phockup通过自动化的媒体整理流程,让你从繁琐的文件管理中解脱出来,将更多精力投入到创作和回忆本身。无论是专业摄影师还是普通用户,都能通过这款工具建立起有序的数字媒体库,让每一个珍贵瞬间都能被轻松找到。
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 StartedRust099- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiMo-V2.5-ProMiMo-V2.5-Pro作为旗舰模型,擅⻓处理复杂Agent任务,单次任务可完成近千次⼯具调⽤与⼗余轮上 下⽂压缩。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00