BiliBiliToolPro批量管理工具:关注列表优化与智能筛选解决方案
在B站日常使用中,随着关注UP主数量的不断累积,关注列表往往会变得臃肿不堪,导致真正感兴趣的内容被淹没。BiliBiliToolPro作为一款功能强大的B站自动任务工具,其批量管理功能能够有效解决这一问题,通过智能筛选和自动化操作,帮助用户高效优化关注列表,提升内容消费体验。
📊 关注列表管理困境诊断
现代内容平台用户普遍面临关注列表膨胀的问题,B站用户尤其如此。随着时间推移,用户关注的UP主数量可能从几十增长到数百,其中不乏长期停更、内容转型或质量下降的账号。手动管理这些关注不仅耗时,还容易出现误操作或遗漏。
典型问题场景:
- 关注数量超过500后,难以快速定位活跃UP主
- 大量低互动UP主占据关注流,影响内容发现效率
- 手动取关操作繁琐,单次只能处理一个账号
- 缺乏有效的筛选机制,无法按活跃度、内容类型等条件批量管理
这些问题直接导致用户内容消费效率下降,优质内容获取成本增加。传统的手动管理方式已无法满足高效账号运营的需求,亟需智能化工具支持。
🛠️ 批量管理解决方案架构
BiliBiliToolPro提供的批量管理功能通过模块化设计,实现了关注列表的智能优化。该解决方案基于可靠的API交互机制,结合灵活的规则配置系统,能够安全高效地执行批量操作。
核心技术优势
智能筛选引擎:采用多维度条件组合,支持按关注时长、互动频率、内容类型等参数精准筛选目标账号,避免误操作。系统内置安全校验机制,确保符合B站平台规则,防止账号风险。
任务调度系统:通过可视化界面配置执行计划,支持定时自动运行与手动触发两种模式。任务执行过程实时监控,异常情况自动暂停并通知用户,保障操作安全。
多平台部署支持:兼容青龙面板、Docker、Kubernetes等多种部署环境,满足不同用户的技术栈需求。轻量级设计确保在资源受限环境下也能稳定运行。
🚀 实施步骤:从配置到运行
基础环境配置
1. 部署工具环境
推荐使用青龙面板进行部署,这是目前最流行且易于管理的方案。通过以下命令克隆项目仓库:
git clone https://gitcode.com/GitHub_Trending/bi/BiliBiliToolPro
进入项目目录后,根据官方文档进行环境初始化。青龙面板提供了直观的任务管理界面,便于监控批量操作的执行状态。
图:青龙面板任务管理界面,显示批量取关任务的配置与状态信息,支持一键运行与定时调度
2. 身份认证配置
批量管理功能需要B站账号的登录信息。在浏览器中登录B站后,通过开发者工具获取Cookie信息,然后在青龙面板的环境变量设置中添加名为Ray_BiliBiliCookies的变量,值为获取的Cookie内容。
3. 基础功能启用
在配置文件中找到UnfollowBatchedTaskOptions部分,将IsEnable属性设置为true以激活批量管理功能。基础配置文件路径为:src/Ray.BiliBiliTool.Config/Options/UnfollowBatchedTaskOptions.cs
高级规则定制
1. 筛选规则配置
通过Web管理界面进行精细化参数设置,访问/Configuration/UnfollowBatch路径打开配置页面。
图:批量管理功能的高级配置界面,支持多种筛选条件与执行参数的设置
核心配置参数说明:
| 参数名称 | 类型 | 描述 | 默认值 |
|---|---|---|---|
MaxUnfollowCountPerRun |
整数 | 每次执行的最大取关数量 | 20 |
MinFollowDays |
整数 | 最小关注天数(低于此天数的UP主不处理) | 30 |
InactiveDays |
整数 | UP主无动态的天数阈值 | 90 |
ExcludeVipUp |
布尔值 | 是否排除VIP UP主 | true |
ExcludeInteractedUp |
布尔值 | 是否排除有互动记录的UP主 | true |
2. 执行策略设置
根据个人需求配置执行频率与通知方式。推荐初始阶段设置较低的执行频率(如每周一次),并启用结果推送功能,以便监控执行效果。日志文件位于logs/目录下,可用于问题排查。
🔍 常见误区解析
规则表达式使用不当
问题:筛选条件设置过于简单,导致误操作风险增加。
解决方案:利用高级规则表达式功能,精确匹配目标UP主。例如,要排除所有游戏类UP主,可设置CategoryRegex: "^(?!游戏).*$"。规则表达式配置位于UnfollowBatchedTaskOptions的CategoryFilter属性。
API调用频率控制
问题:短时间内执行大量操作,触发B站API限制。
解决方案:合理设置RequestInterval参数(默认3秒),避免请求过于频繁。系统内置的频率控制机制位于src/Ray.BiliBiliTool.Agent/HttpClientDelegatingHandlers/IntervalDelegatingHandler.cs,可根据实际情况调整。
未设置白名单机制
问题:重要UP主被误取关。
解决方案:通过WhiteListUpIds配置项设置UP主ID白名单,确保核心关注不会被系统处理。白名单配置支持正则表达式,便于批量设置。
💡 进阶优化策略
多维度筛选模型
结合用户互动数据与UP主动态特征,构建更精准的筛选模型。例如,可通过以下规则组合:
{
"FollowTimeFilter": {
"MinDays": 60,
"MaxDays": 365
},
"InteractionFilter": {
"MinWatchCount": 3,
"MinCommentCount": 1
},
"DynamicFilter": {
"MaxInactiveDays": 60,
"ExcludeLiveOnly": true
}
}
执行结果分析
定期查看执行日志与推送报告,优化筛选参数。系统提供详细的执行统计,包括取关数量、保留原因、异常记录等信息。推送通知样例如下:
图:批量管理任务执行完成后的钉钉通知样例,包含操作统计与异常提示
源码扩展建议
对于有开发能力的用户,可通过扩展筛选规则处理器实现自定义逻辑。核心实现代码位于src/Ray.BiliBiliTool.Application/UnfollowBatchedTaskAppService.cs,通过继承IFilterStrategy接口可添加新的筛选策略。
📚 资源参考
- 配置示例文件:
src/Ray.BiliBiliTool.Console/appsettings.json - 问题排查日志:
logs/BiliBiliTool.log - 核心功能实现:
src/Ray.BiliBiliTool.Application/UnfollowBatchedTaskAppService.cs - 任务脚本模板:
qinglong/DefaultTasks/bili_task_unfollowBatched.sh
通过BiliBiliToolPro的批量管理功能,用户可以轻松实现关注列表的智能化优化,告别手动管理的繁琐,专注于优质内容的发现与消费。合理配置筛选规则,既能保持关注列表的精简高效,又能避免错过有价值的创作者,实现内容消费体验的全面提升。
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 StartedRust092- 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