gallery-dl配置指南:自定义Instagram下载文件名与元数据处理
配置文件的正确使用
许多用户在使用gallery-dl时会遇到配置文件不生效的问题,这通常是由于配置文件位置不正确或格式错误导致的。gallery-dl支持多种配置文件存储位置,包括用户主目录、应用程序数据目录等。要检查当前可用的配置文件位置,可以使用gallery-dl --config-status命令查看所有支持的配置路径及其状态。
当配置文件无法自动加载时,可以通过--config参数显式指定配置文件路径。例如:
gallery-dl --config /path/to/config.json [其他参数]
Instagram下载的自定义文件名设置
gallery-dl提供了强大的文件名模板功能,允许用户自定义下载文件的命名规则。对于Instagram下载,可以使用以下变量进行格式化:
{username}: 发布者的用户名{date}: 发布日期,可配合strftime格式字符串{num}: 多图/视频中的序号{description}: 帖子描述文本{filename}: 原始文件名{extension}: 文件扩展名
一个典型的高级文件名模板示例如下:
{
"filename": "{date:%Y-%m-%d %H.%M.%S}_{num} - {description[:90]}.{extension}"
}
日期格式的正确使用
常见的错误是日期格式字符串使用不当。正确的日期格式化应该使用{date:%Y-%m-%d}这样的语法,其中%Y表示四位年份,%m表示两位月份,%d表示两位日期。其他常用的日期格式符包括:
%H: 24小时制的小时%M: 分钟%S: 秒%Y: 四位年份(如2025)%y: 两位年份(如25)%m: 月份(01-12)%d: 日(01-31)
元数据处理与后处理器
gallery-dl支持将帖子的元数据保存到单独的文件中。要启用此功能,需要在配置中添加:
{
"metadata": true,
"postprocessors": ["metadata-insta"]
}
这将为每个下载的文件创建一个对应的.json元数据文件,包含帖子的完整信息,如点赞数、评论数、标签等。
查看可用变量
要查看特定Instagram链接可用的所有格式化变量,可以使用以下命令:
gallery-dl -K "Instagram_URL"
这将输出该URL下所有可用的变量名及其示例值,帮助用户构建更精确的文件名模板。
常见问题解决方案
-
配置文件不生效:检查配置文件路径是否正确,确保文件格式是有效的JSON,可以使用JSON验证工具检查语法。
-
日期显示为None:确保使用
{date}而非直接使用日期格式符,并且帖子确实包含发布日期信息。 -
描述文本过长:使用切片语法限制长度,如
{description[:90]}将描述截断为前90个字符。 -
特殊字符问题:文件名中包含特殊字符可能导致问题,可以考虑添加字符过滤或替换规则。
通过合理配置这些选项,用户可以完全控制gallery-dl下载Instagram内容时的文件组织和命名方式,满足各种归档需求。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00