RomM项目中的目录排除配置技巧:解决@eaDir扫描问题
2025-06-20 23:49:29作者:钟日瑜
问题背景
在使用RomM游戏库管理工具时,许多Synology DSM用户会遇到一个常见问题:系统自动生成的@eaDir目录会被错误地扫描并显示在游戏平台列表中。这些目录实际上是Synology系统用于存储缩略图和元数据的隐藏文件夹,不应该被当作游戏平台处理。
常见误区
许多用户会尝试在配置文件的platforms部分添加排除规则,例如:
exclude:
platforms:
- '@eaDir'
- ' @eaDir'
- '@eadir'
然而这种方法并不奏效,因为@eaDir本质上不是一个游戏平台,而是文件系统层面的干扰项。正确的做法应该是在roms扫描配置中进行排除。
正确配置方法
RomM提供了精细的文件排除机制,主要通过roms配置节实现。针对Synology系统的完整排除方案应包含以下内容:
roms:
multi_file:
names:
- _hidden
- images
- '@eaDir'
- '!images'
- '!orphaned'
- '!downloading'
parts:
extensions:
- txt
- xml
- jpg
- jpeg
names:
- data.xml
- ._*
- multidisc
single_file:
extensions:
- xml
- txt
- jpg
- jpeg
names:
- info.txt
- ._*
- '*.nfo'
- '@eaDir'
- '*.xml'
- '!info.txt'
配置详解
-
multi_file部分:处理多文件游戏时使用的排除规则
names:排除特定名称的目录parts:排除特定扩展名或名称的文件
-
single_file部分:处理单文件游戏时使用的排除规则
extensions:排除特定扩展名的文件names:排除特定名称的文件
最佳实践建议
- 对于Synology用户,建议始终包含
@eaDir和._*的排除规则 - 可以同时排除其他常见干扰项,如临时文件(
*.nfo)、图片文件(*.jpg)等 - 配置完成后,建议执行完整扫描以验证效果
- 定期检查日志文件,确认排除规则是否生效
技术原理
RomM的扫描机制分为多个层级:
- 首先识别平台目录
- 然后扫描平台内的文件和子目录
- 最后对找到的内容进行分类处理
@eaDir等干扰项应该在第二层级就被过滤掉,而不是等到平台识别阶段。这就是为什么需要在roms配置节而非platforms配置节中进行排除的原因。
通过正确配置这些排除规则,可以显著提高RomM的扫描效率和准确性,确保游戏库只包含真正需要管理的内容。
登录后查看全文
热门项目推荐
相关项目推荐
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
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
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
最新内容推荐
全球36个生物多样性热点地区KML矢量图资源详解与应用指南 Python案例资源下载 - 从入门到精通的完整项目代码合集 PANTONE潘通AI色板库:设计师必备的色彩管理利器 深入解析Windows内核模式驱动管理器:系统驱动管理的终极利器 Python开发者的macOS终极指南:VSCode安装配置全攻略 STM32到GD32项目移植完全指南:从兼容性到实战技巧 Jetson TX2开发板官方资源完全指南:从入门到精通 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
187
206
暂无简介
Dart
630
143
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
242
316
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
383
3.63 K
openGauss kernel ~ openGauss is an open source relational database management system
C++
158
210
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
292
104
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
649
267
仓颉编译器源码及 cjdb 调试工具。
C++
128
858