Jellyfin中NFO文件与3D视频文件的命名匹配问题解析
问题背景
在使用Jellyfin媒体服务器管理3D视频内容时,用户发现当视频文件名包含"3D HSBS"标识时,系统无法正确识别并导入同名的NFO元数据文件。这是一个典型的媒体文件与元数据文件匹配问题,在Jellyfin的媒体库管理中较为常见。
问题现象
用户报告的具体情况是:当视频文件命名为"TITLE-123.3D.HSBS.mp4"时,即使存在正确格式的"TITLE-123.nfo"文件,Jellyfin也无法从中导入元数据信息。这导致3D视频内容缺少应有的标题、年份、演员等元数据。
技术原理分析
Jellyfin对NFO文件的识别遵循特定的命名匹配规则:
-
精确匹配原则:Jellyfin默认要求NFO文件的主文件名必须与媒体文件完全一致。对于"TITLE-123.3D.HSBS.mp4"这样的文件名,系统会寻找"TITLE-123.3D.HSBS.nfo"而非"TITLE-123.nfo"。
-
特殊命名例外:Jellyfin也支持使用"movie.nfo"作为通用元数据文件名,这种命名方式适用于文件夹内只有一个主要媒体文件的情况。
-
3D标识处理:当文件名中包含"3D"、"HSBS"、"HOU"等3D视频格式标识时,这些标识被视为文件名的一部分,系统不会自动忽略它们进行模糊匹配。
解决方案
针对这一问题,有以下几种可行的解决方案:
-
重命名NFO文件:将NFO文件命名为与媒体文件完全一致,如"TITLE-123.3D.HSBS.nfo"。
-
使用通用命名:在媒体文件所在文件夹中创建"movie.nfo"文件。
-
修改Jellyfin匹配逻辑:对于高级用户,可以通过修改Jellyfin源代码中的文件匹配规则,但这需要一定的开发能力。
最佳实践建议
-
对于3D视频内容,建议采用一致的命名规则,如:
/Movies/Title (Year)/ ├── Title (Year).3D.HSBS.mp4 └── Title (Year).3D.HSBS.nfo -
批量处理现有媒体库时,可以使用脚本工具自动生成匹配的NFO文件名。
-
在NFO文件中明确指定3D相关属性,虽然这不是必须的,但有助于媒体库管理:
<format>3D HSBS</format>
总结
Jellyfin对NFO文件的识别采用严格的文件名匹配机制,这一设计确保了元数据管理的准确性,但也要求用户在命名文件时保持一致性。理解这一机制后,用户可以通过简单的文件重命名解决大多数元数据导入问题。对于3D等特殊格式的视频内容,采用系统认可的命名规范是保证元数据正常工作的关键。
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 StartedRust075- 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