RSSHub项目中Bilibili用户收藏夹路由参数顺序问题分析
问题背景
在RSSHub项目中,Bilibili用户收藏夹路由(/bilibili/user/collection/:uid/:sid/:embed?/:sortReverse?/:page?)存在一个设计上的问题。该路由允许用户通过参数控制视频嵌入和排序方式,但当前实现中存在参数顺序不合理的问题,影响了功能的正常使用。
问题详情
当前路由的参数顺序为:
- uid (用户ID)
- sid (收藏夹ID)
- embed (是否嵌入视频,可选)
- sortReverse (是否反向排序,可选)
- page (页码,可选)
主要问题表现为:
- 当用户需要设置sortReverse参数时,必须同时设置embed参数
- 无论embed参数设置为何值,都会禁止视频iframe嵌入
- 默认排序方式不符合用户预期,无法直接获取收藏夹最新内容
技术分析
从路由设计角度看,这个问题源于可选参数的顺序安排不合理。在RESTful API设计中,可选参数的顺序应该遵循以下原则:
- 最常用的参数应该放在前面
- 相互独立的参数应该可以单独设置
- 参数之间不应该有强制依赖关系
当前实现违反了这些原则,导致用户必须设置不需要的参数才能访问其他功能。
解决方案建议
针对这个问题,可以考虑以下几种改进方案:
-
调整参数顺序: 将sortReverse参数放在embed参数之前,这样用户可以直接设置排序方式而不必关心视频嵌入设置。
-
修改参数默认值: 将embed参数的默认值设为允许嵌入,只有当显式设置为0时才禁止嵌入。
-
优化排序逻辑: 修改默认排序方式为按时间排序,这样用户可以直接获取收藏夹最新内容。
-
使用查询参数替代路径参数: 考虑将可选参数改为查询字符串形式,如/bilibili/user/collection/:uid/:sid?embed=1&sortReverse=1,这样参数顺序将不再重要。
实现考量
在实现这些改进时,需要注意:
-
向后兼容性:现有用户可能已经依赖当前参数顺序,需要评估是否会影响现有用户。
-
文档更新:任何参数顺序或行为的变更都需要及时更新文档,避免用户混淆。
-
测试覆盖:确保修改后的路由在各种参数组合下都能正常工作。
总结
RSSHub项目中Bilibili用户收藏夹路由的参数顺序问题是一个典型的路由设计问题。通过合理调整参数顺序或改变参数传递方式,可以显著提升用户体验。这类问题的解决不仅需要考虑技术实现,还需要从用户使用习惯和API设计原则出发,找到最优的平衡点。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00