如何用BiliBiliToolPro实现B站关注列表自动清理
你是否遇到过B站关注列表越来越臃肿的问题?参与活动时关注的主播、不再更新的UP主、重复关注的账号……这些都会让你的关注列表变得混乱不堪。手动一个个取消关注不仅耗时,还容易遗漏。BiliBiliToolPro的批量取关功能正是解决这一痛点的利器,它能帮你自动清理关注列表,让你的B站体验更加清爽高效。
为什么需要关注列表自动清理工具
B站作为国内最大的视频弹幕网站之一,用户常常会因为各种原因关注大量UP主。时间一长,关注列表就会变得臃肿不堪,主要表现在以下几个方面:
- 活动关注堆积:参与平台活动时不得不关注的主播
- 内容兴趣变化:曾经感兴趣但现在不再关注的内容创作者
- 账号停止更新:长期没有新作品的UP主
- 重复关注:同一领域关注多个内容相似的创作者
手动管理这些关注不仅效率低下,还容易出错。据统计,手动取消关注100个账号平均需要30分钟以上,而使用BiliBiliToolPro的批量取关功能只需几分钟就能完成,大大节省了时间和精力。
BiliBiliToolPro批量取关功能介绍
BiliBiliToolPro是一款B站自动任务工具,支持多种部署方式,其中批量取关功能是其核心特性之一。该功能的核心实现位于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。
核心功能特点
- 分组取关:可以按照关注分组进行精准清理
- 数量控制:可自定义每次取关的账号数量
- 白名单保护:重要UP主可加入白名单避免误删
- 定时执行:支持设置定期自动清理,一劳永逸
支持的部署方式
BiliBiliToolPro提供多种部署方式,适合不同用户需求:
- 青龙面板:适合新手用户,操作简单直观
- Docker:适合技术爱好者,部署灵活可控
- Kubernetes:适合企业用户,便于集群管理
快速上手:3步完成批量取关配置
步骤一:准备工作与项目部署
首先,将项目克隆到本地:
git clone https://gitcode.com/GitHub_Trending/bi/BiliBiliToolPro
根据你的需求选择合适的部署方式,新手推荐使用青龙面板部署,操作简单,界面友好。
步骤二:环境变量配置
在青龙面板中,找到"环境变量"选项,添加必要的配置:
- 添加B站Cookie:变量名为
Ray_BiliBiliCookies_0,值为你的B站Cookie - 根据需要添加其他通知配置,如推送方式等
步骤三:创建批量取关任务
在青龙面板的定时任务中,添加新任务:
- 任务名称:填写"bili批量取关主播"
- 命令:
. bili_task_base.sh && run_task "UnfollowBatched" - 定时规则:根据需要设置,例如"0 12 1 * *"表示每月1日12点执行
高级配置:自定义取关策略
调整取关参数
批量取关功能的核心配置位于src/Ray.BiliBiliTool.Config/Options/UnfollowBatchedTaskOptions.cs,你可以根据需求调整以下参数:
- GroupName:指定要清理的关注分组,默认是"天选时刻"
- Count:每次取关的账号数量,建议首次使用时设置较小值测试
- RetainUids:需要保留的UP主ID列表,避免误删重要关注
配置Web管理界面
如果你使用Web界面部署,可以在"Schedules"页面找到"UnfollowBatchedJob"任务,通过界面直观地管理取关配置:
使用技巧与注意事项
实用技巧
- 渐进式清理:首次使用时建议设置较小的取关数量,如10-20个,确认功能正常后再逐步增加
- 定期执行:设置每月执行一次,保持关注列表长期整洁
- 多账号管理:通过添加多个Cookie环境变量,支持管理多个B站账号
注意事项
- 网络稳定性:确保执行任务时网络连接稳定,避免任务中断
- Cookie有效性:定期检查Cookie是否过期,确保工具正常工作
- 取关频率:避免过于频繁地执行取关操作,以免引起账号异常
通过BiliBiliToolPro的批量取关功能,你可以轻松解决关注列表臃肿的问题,让B站体验更加清爽高效。无论是内容创作者还是普通用户,都能从中受益。现在就开始尝试,让你的关注列表重获新生!
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 StartedRust098- 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


