B站关注列表智能管理:5分钟实现批量取关自动化高效方案
BiliBiliToolPro是一款功能强大的B站自动任务工具,支持多种部署方式,能够帮助用户轻松实现关注列表的自动化管理。本文将详细介绍如何利用该工具的批量取关功能,解决关注列表臃肿问题,让你的B站体验更加清爽高效。
识别关注管理痛点场景
在B站的日常使用中,关注列表很容易变得臃肿不堪。参与活动时临时关注的up主、早期关注但已停止更新的创作者、重复关注的同领域主播以及天选时刻等活动中批量关注的账号,都会导致关注列表混乱。手动逐个取消关注不仅效率低下,100个关注可能需要30分钟以上,还容易出现遗漏重复的情况,而B站官方又未提供批量取关功能,这些都给用户带来了极大的困扰。
探索批量取关工具特性
核心功能模块解析
批量取关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。该功能支持多种灵活的配置参数,能够满足不同用户的个性化需求。
关键配置参数说明
| 配置项 | 说明 | 默认值 |
|---|---|---|
| GroupName | 要取关的分组名称 | "天选时刻" |
| Count | 取关数量 | 可配置 |
| RetainUids | 保留用户ID列表 | 空 |
安全防护机制介绍
批量取关功能内置了多重安全保护措施。白名单机制允许用户通过RetainUids配置重要up主,避免误取关;数量限制功能可以设置每次取关的具体人数,防止一次性取关过多;分组隔离则确保仅对指定分组进行操作,提高了操作的精准性和安全性。
实施批量取关自动化流程
环境准备与项目部署
首先,将项目克隆到本地:
git clone https://gitcode.com/GitHub_Trending/bi/BiliBiliToolPro
批量取关任务配置
在青龙面板中,批量取关任务的默认配置位于qinglong/DefaultTasks/bili_task_unfollowBatched.sh,内容如下:
#!/usr/bin/env bash
# cron:0 12 1 * *
# new Env("bili批量取关主播")
. bili_task_base.sh
target_task_code="UnfollowBatched"
run_task "${target_task_code}"
自定义配置调整
根据个人需求修改配置参数:
- 调整取关分组:将GroupName修改为目标分组。
- 设置取关数量:通过Count参数控制每次取关人数。
- 配置白名单:在RetainUids中添加需要保留的up主ID。
环境变量设置
在青龙面板的环境变量页面,添加相关的环境变量,如Ray_BiliBiliCookies_0等,确保工具能够正常获取用户信息。
任务执行与结果验证
启动批量取关任务后,系统将自动获取指定分组下的关注列表,按照配置数量进行批量取关,并生成详细的执行日志。你可以通过查看日志来验证取关结果。
效果追踪与持续优化
执行效果量化指标
使用批量取关功能后,操作时间从原来的30分钟缩短至1分钟,准确率达到100%,避免了手动操作失误。同时,支持定期自动执行,实现了关注列表的持续管理。
长期维护策略建议
为了保持关注列表的清爽,建议每月定期执行批量取关任务,根据兴趣变化调整取关策略,并利用白名单保护重要内容创作者。通过这些措施,能够让你的B站关注列表始终保持有序和高效。
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,提升B站使用体验。无论是技术爱好者还是普通用户,都能快速上手并享受自动化管理带来的便利。现在就行动起来,让你的B站关注列表重获清爽!
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
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
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- 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
FreeSql功能强大的对象关系映射(O/RM)组件,支持 .NET Core 2.1+、.NET Framework 4.0+、Xamarin 以及 AOT。C#00


