如何高效清理B站关注列表?BiliBiliToolPro批量取关功能全攻略
B站关注列表日益臃肿?长期不活跃的UP主占据大量空间?手动清理耗时又容易遗漏?BiliBiliToolPro作为一款功能强大的B站自动任务工具,其批量取关功能正是解决这一痛点的理想方案。本文将从场景痛点出发,详细介绍如何利用该工具实现关注列表的智能管理,帮助用户提升账号使用效率。
场景痛点:当关注列表变成信息负担
在B站使用过程中,用户往往会因为各种原因关注大量UP主。然而随着时间推移,许多UP主可能停止更新、内容风格转变或用户自身兴趣转移,导致这些关注变得不再有价值。根据平台数据统计,普通用户关注列表中平均有30%的账号属于"沉睡账号"——即超过6个月未产生有效互动或内容更新的账号。
手动管理这些关注存在三大核心痛点:首先是时间成本高,逐一查看每个UP主的最新动态并决定是否取关,对于关注数超过100的用户来说可能需要数小时;其次是决策难度大,用户难以准确判断哪些UP主值得保留;最后是操作繁琐,每次取关需要多次点击,过程枯燥且易出错。
核心价值:BiliBiliToolPro带来的三大改变
BiliBiliToolPro的批量取关功能通过自动化技术,从根本上改变了关注列表的管理方式。其核心价值体现在三个方面:
智能筛选系统:基于用户设定的规则(如关注时长、互动频率、内容更新周期等)自动识别低价值关注,避免人工判断偏差。这相当于为用户配备了一位24小时工作的"关注列表管理员",持续监控并标记需要清理的账号。
安全执行机制:内置平台规则适配算法,自动控制操作频率和时间间隔,确保所有操作符合B站API使用规范。系统会模拟人工操作模式,避免因短时间内大量操作触发平台反作弊机制。
多维度执行反馈:任务执行结果通过日志文件和推送通知双重渠道反馈,用户可以清晰了解每次清理的详细情况,包括取关数量、保留原因和异常提示等关键信息。
实施路径:三阶段实现关注列表自动化管理
第一阶段:环境部署与基础配置
▶ 部署工具环境 推荐使用青龙面板作为部署环境,这是目前最稳定且易用的自动化任务管理平台。在青龙面板中,批量取关功能以独立任务形式存在,可与其他B站自动化任务(如每日签到、直播签到等)协同运行。
青龙面板任务列表界面,展示了包括批量取关在内的各类BiliBiliToolPro自动化任务及其运行状态
▶ 配置身份认证信息
获取并配置B站Cookie是使用批量取关功能的前提。Cookie相当于用户的"电子身份证",工具需要通过它来获取用户的关注列表并执行取关操作。在青龙面板的环境变量设置中,添加名为Ray_BiliBiliCookies的变量,值为从浏览器中获取的B站Cookie信息。
青龙面板环境变量配置界面,用于安全存储B站Cookie等敏感信息
第二阶段:任务激活与规则设定
▶ 启用批量取关任务 在工具的Web管理界面中,找到"UnfollowBatched"相关配置项,将启用状态设置为"开启"。系统会自动创建一个默认的定时任务,用户可根据需要调整执行周期。
▶ 制定个性化筛选规则 在配置界面中,用户可以设置多维度的取关条件:
- 时间维度:关注超过指定天数(如180天)且期间无互动的UP主
- 内容维度:长期未更新(如超过90天无新视频)的UP主
- 互动维度:用户从未观看或点赞其内容的UP主
- 数量限制:每次执行最多取关的账号数量,建议首次使用时设置较小值(如10个)进行测试
Web管理界面中的任务配置页面,可设置批量取关的各项筛选参数和执行规则
第三阶段:任务监控与结果验证
▶ 执行模式选择 工具提供两种执行方式:
- 手动执行:在任务管理界面点击"立即运行"按钮,适用于首次配置后的测试
- 自动调度:通过Cron表达式设置定期执行,如"0 0 1 * *"表示每月1日凌晨1点执行
任务调度界面展示了所有自动化任务的触发条件、下次运行时间和历史执行记录
▶ 结果验证与反馈 任务执行完成后,系统会通过两种方式反馈结果:
- 详细日志:记录每个取关操作的时间、UP主信息和执行状态
- 推送通知:通过钉钉、企业微信等渠道发送执行摘要,包括取关数量、异常信息等
批量取关任务执行完成后的钉钉通知示例,包含任务执行状态和关键数据
进阶策略:构建关注列表健康管理体系
动态调整策略
根据B站使用习惯的变化,建议每季度重新评估并调整取关规则。例如:
- 内容消费高峰期(如寒暑假)可放宽取关条件,减少误删
- 内容消费低谷期可收紧条件,集中清理低价值关注
- 特殊兴趣阶段(如备考期间)可临时调整规则,保留学习类UP主
多账号管理方案
对于拥有多个B站账号的用户,可通过配置多组Cookie实现集中管理。在环境变量中使用Ray_BiliBiliCookies_0、Ray_BiliBiliCookies_1等命名方式区分不同账号,工具会自动为每个账号独立执行取关任务。
数据备份与恢复机制
在执行批量取关前,建议通过「DomainService/关注列表导出」功能备份当前关注数据。备份文件以JSON格式存储,包含UP主ID、关注时间和最近互动记录等关键信息,可用于误操作时的恢复。
[!TIP] 定期备份关注列表不仅是数据安全的保障,也是分析个人兴趣变化的重要依据。建议将备份文件按时间命名(如2023Q1_followings_backup.json),便于追踪长期兴趣演变。
避坑指南:风险预判与应对方案
风险预判
批量操作虽然高效,但也存在一定风险,主要包括:
- Cookie失效:B站会定期更新Cookie,如未及时更新可能导致任务执行失败
- 规则设置不当:过于宽松的条件可能误删仍有价值的关注
- API限制:短时间内大量操作可能触发B站API频率限制
规避方案
针对上述风险,建议采取以下预防措施:
- Cookie定期更新:设置日历提醒,每30天更新一次Cookie信息
- 灰度测试:新规则启用前,先以"预览模式"运行,仅生成取关列表而不实际执行
- 阶梯执行:首次使用时设置较小的单次取关数量(如5-10个),观察2-3个周期确认规则有效性
应急处理
当遇到任务执行异常时,可按以下步骤排查:
- 检查环境变量中的Cookie是否有效
- 查看任务日志,定位具体错误信息
- 尝试手动执行单个取关操作,验证API连通性
- 如持续异常,可通过项目issue系统获取技术支持
功能实现与扩展资源
BiliBiliToolPro的批量取关功能核心实现位于「src/Ray.BiliBiliTool.Application/UnfollowBatchedTaskAppService.cs」,通过调用B站API实现关注列表的获取、筛选和批量操作。任务调度逻辑基于Quartz.NET框架,确保定时任务的稳定执行。
官方文档提供了详细的配置指南和API说明,主要包括:
- 完整配置参数说明:docs/configuration.md
- 青龙面板部署教程:docs/claw-cloud.md
- 任务脚本示例:qinglong/DefaultTasks/bili_task_unfollowBatched.sh
通过合理配置和使用BiliBiliToolPro的批量取关功能,用户可以将关注列表的管理时间从数小时缩短到几分钟,同时获得更精准、更安全的清理效果。这不仅优化了B站使用体验,也为信息管理提供了一种自动化解决方案。随着工具的不断迭代,未来还将支持更智能的AI驱动筛选,进一步提升关注列表的管理效率。
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 StartedRust069- 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
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
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
Hy3-previewHy3 preview 是由腾讯混元团队研发的2950亿参数混合专家(Mixture-of-Experts, MoE)模型,包含210亿激活参数和38亿MTP层参数。Hy3 preview是在我们重构的基础设施上训练的首款模型,也是目前发布的性能最强的模型。该模型在复杂推理、指令遵循、上下文学习、代码生成及智能体任务等方面均实现了显著提升。Python00