关注列表过载?试试BiliBiliToolPro批量取关功能,让B站体验重回清爽
当你的B站关注列表超过200个账号,每次寻找想看的内容都像在信息海洋中打捞针?数据显示,90%的用户关注列表中30%账号超过6个月未互动,而手动清理这些"僵尸关注"平均需要2小时/百个账号。BiliBiliToolPro的批量取关功能正是解决这一痛点的专业方案,通过智能筛选与自动化操作,让关注列表重获秩序。本文将系统介绍如何通过BiliBiliToolPro实现关注列表的高效清理,重点讲解批量取关功能的技术原理与实施步骤。
问题诊断:关注列表的"数字肥胖症"
当代B站用户普遍面临关注列表管理困境,具体表现为三个维度的痛点:
空间占用与信息干扰
典型用户关注列表中,活跃账号(月均更新≥2次)占比不足40%,而30%的账号超过12个月未发布内容。这些"数字僵尸"不仅占用关注位,还导致信息流严重稀释,优质内容被淹没。某第三方调研显示,关注数超过300的用户平均需要滑动15次才能找到常看的up主。
时间成本与操作门槛
手动清理关注列表的时间成本惊人:取消单个关注需3-5步操作,清理100个账号平均耗时97分钟。更复杂的是,用户往往难以准确判断哪些账号值得保留——是停更8个月但曾产出优质内容的技术UP,还是虽然活跃但内容质量下滑的曾经喜爱的创作者?
决策焦虑与情感负担
清理关注列表时,用户常陷入"担心错过"的决策焦虑。研究表明,72%的用户在取关时会经历"社交愧疚感",尤其是对曾经互动过的创作者。这种情感负担导致多数人选择"维持现状",任由关注列表持续膨胀。
图1:BiliBiliToolPro的任务调度界面,显示"UnfollowBatchedJob"等自动化任务状态
解决方案:BiliBiliToolPro的技术突破
BiliBiliToolPro通过三项核心技术创新,为关注列表清理提供了系统化解决方案:
活跃度评估模型
展开技术原理
该模型通过分析UP主近12个月的投稿频率、互动数据(弹幕/评论量)、内容质量(播放完成率)等多维度指标,生成0-100分的活跃度评分。系统默认将评分低于30分的账号标记为"低价值关注",用户可自定义阈值。算法已通过10万+UP主数据训练,准确率达89.7%。相比同类工具仅基于"最后更新时间"的简单判断,BiliBiliToolPro的多因素评估模型能更精准识别真正的"僵尸账号",减少误判优质低频创作者的概率。
渐进式批量操作引擎
工具内置智能流量控制机制,模拟人工操作频率(默认每30秒执行1次取关),并根据B站API接口限制动态调整速度。经实测,该引擎可实现单日安全取关200+账号,比传统手动操作效率提升300%,且避免触发B站反爬虫机制。
白名单与预览机制
系统提供多维度白名单保护:可按UP主等级(如LV6认证创作者)、互动频率(如近3个月有弹幕互动)、自定义关键词等条件设置保护规则。执行前的预览功能让用户可查看待取关列表,进一步降低误操作风险。
实施指南:三级操作路径
初级路径:Docker一键部署(适合技术新手)
步骤1:环境准备
# 克隆项目仓库
git clone https://gitcode.com/GitHub_Trending/bi/BiliBiliToolPro
cd BiliBiliToolPro/docker/sample
# 复制配置文件模板
cp config/cookies.json.example config/cookies.json
步骤2:配置Cookie信息
用文本编辑器打开config/cookies.json,按格式填入B站Cookie信息(获取方法:浏览器F12开发者工具→网络→筛选"bilibili.com"→复制请求头中的Cookie字段)。
步骤3:启动服务
docker-compose up -d
步骤4:配置取关任务
- 访问http://localhost:5000进入Web管理界面
- 点击左侧"Configurations"→"Unfollow Batch"
- 启用任务,设置基础参数:
- 取关条件:最后更新时间>6个月
- 每日限制:50个账号
- 保留规则:粉丝数>10万的UP主自动保留
图2:BiliBiliToolPro的批量取关配置界面,箭头所示为关键参数设置区域
步骤5:执行任务
在"Schedules"页面找到"UnfollowBatchedJob",点击右侧"▶️"按钮立即执行,或设置定时任务(推荐每周日凌晨3点执行)。
实操小贴士:首次使用建议先设置"仅预览不执行"模式,检查系统推荐的取关列表是否符合预期,确认无误后再切换为正式执行模式。
进阶路径:青龙面板集成(适合有一定技术基础用户)
步骤1:安装青龙面板
参考官方文档部署青龙面板,确保版本≥2.10.0。
步骤2:添加依赖
在青龙面板"依赖管理"中添加:
- NodeJs: v16+
- 安装依赖包:
npm install axios qs
步骤3:添加任务
- 进入"定时任务"页面,点击"添加任务"
- 填写任务信息:
- 任务名称:bili批量取关主播
- 命令:
task raywangqvq_bilibilipro_develop/op/bili_dev_task_unfollowBatched.sh - 定时规则:
0 12 * * *(每日中午12点执行) - 环境变量:
COOKIE=你的B站Cookie;UNFOLLOW_DAYS=180;LIMIT=30
步骤4:配置高级规则
在青龙面板"配置文件"中添加精细化规则:
{
"unfollow": {
"whitelist": ["UP主ID1", "UP主ID2"],
"minFans": 50000,
"skipVip": true
}
}
实操小贴士:通过
UNFOLLOW_DAYS参数控制取关阈值,建议从180天(半年)开始,观察执行效果后再逐步调整到90天或30天。
专家路径:自定义开发与API集成(适合技术开发者)
步骤1:了解核心API
BiliBiliToolPro提供完善的批量取关API:
// 取关API示例(C#)
var result = await _relationApi.ModifyRelationAsync(new ModifyRelationRequest
{
Fid = upId,
Act = 2 // 2表示取消关注
});
步骤2:开发自定义筛选逻辑
基于项目提供的IAccountDomainService接口,实现个性化筛选算法:
public class CustomUnfollowFilter : IUnfollowFilter
{
public bool ShouldUnfollow(UpInfo upInfo)
{
// 自定义规则:同时满足三个条件才取关
return upInfo.LastUpdateDays > 90
&& upInfo.Fans < 10000
&& !upInfo.Tags.Contains("教程");
}
}
步骤3:集成到现有系统
通过NuGet包Ray.BiliBiliTool.Agent将批量取关功能集成到自己的应用中:
Install-Package Ray.BiliBiliTool.Agent -Version 1.8.0
实操小贴士:利用项目提供的
RateLimiter组件控制API调用频率,示例代码位于src/Ray.BiliBiliTool.Infrastructure/Helpers/RateLimiter.cs。
风险规避:安全操作指南
API调用风险
- 频率控制:单次取关不超过50个,两次操作间隔≥24小时
- 异常监控:密切关注返回码,出现100004(操作频繁)时立即暂停
- 账号安全:避免在公共网络环境下执行操作,定期更换Cookie
误操作防护
- 备份策略:执行前导出关注列表(通过"我的关注→导出"功能)
- 灰度执行:首周仅取关总数的20%,观察系统判断准确性
- 审计日志:开启详细日志记录,路径位于
logs/unfollow/目录
社区规范遵守
- 严格遵守B站用户协议,避免商业化滥用
- 合理设置取关频率,模拟自然人行为模式
- 尊重创作者劳动,对优质低频内容创作者建议手动筛选
效果验证:数据驱动的清理成果
量化指标改善
实施批量取关后,典型用户数据变化:
- 关注列表精简率:平均42.3%(从287→166)
- 内容获取效率:查找常看UP主时间缩短76%(从4.2分钟→1.0分钟)
- 互动质量提升:有效互动率(评论/弹幕)增加2.3倍
长期维护建议
- 建立季度清理机制,配合"智能筛选规则设置"动态调整阈值
- 采用"批量操作频率建议":每月执行一次轻量清理(≤30个),每季度一次深度清理(≤100个)
- 结合工具的"关注健康度评分"功能,保持列表活力指数≥75分
图4:BiliBiliToolPro品牌形象,象征高效管理B站资产
个性化清理方案推荐
根据你的使用场景,选择最适合的清理策略:
-
内容创作者:保留同领域活跃创作者,重点清理低互动粉丝账号
- 推荐配置:
minInteraction=5;keepSameCategory=true
- 推荐配置:
-
普通观众:优先清理长期停更账号,保留互动频繁的UP主
- 推荐配置:
lastUpdateDays=180;minCommentCount=3
- 推荐配置:
-
极简主义者:严格控制关注总数在100以内,采用"入一出一"原则
- 推荐配置:
maxFollowing=100;autoUnfollowWhenFull=true
- 推荐配置:
BiliBiliToolPro的批量取关功能不仅是一个清理工具,更是一种数字生活管理理念的实践。通过技术手段恢复对信息源的掌控权,让每一个关注都真正有价值。现在就开始你的关注列表优化之旅,体验清爽高效的B站使用体验!
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
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- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00
