3步解锁B站批量下载自由:BilibiliDown让视频收藏从未如此轻松
还在为手动下载B站视频而烦恼吗?面对收藏夹里堆积如山的学习课程、系列动漫和UP主作品,逐个点击下载不仅浪费时间,还容易遗漏重要内容。BilibiliDown作为一款多平台支持的B站视频下载工具,以自动化批量处理为核心优势,支持收藏夹、稍后再看、UP主主页等多场景内容获取,让你彻底告别重复操作,轻松实现离线观看自由。
搭建个人视频库:从账号关联开始
使用BilibiliDown的第一步是建立与B站账号的安全连接,这就像给你的视频仓库配了一把钥匙🔑。软件提供两种简单的登录方式:
二维码快速登录
启动软件后点击主界面"扫码登录"按钮,会生成一个有效期5分钟的二维码。打开手机B站APP,扫描二维码并确认登录,整个过程不到10秒。登录状态会自动保存在release/config/cookies.config文件中,下次启动无需重复验证。
账号密码登录
如果更习惯传统登录方式,可在登录界面直接输入B站账号密码。系统采用加密方式存储凭证,核心实现代码位于src/nicelee/bilibili/util/Encrypt.java,确保账号信息安全。
💡 小贴士:若登录后提示"权限不足",检查是否开启了B站账号的二次验证,可暂时关闭或在软件设置中启用验证码支持。
定制你的下载规则:3分钟完成个性化配置
成功登录后,我们需要为批量下载任务设置专属规则。就像给视频分类整理制定收纳方案,合理的配置能让下载更高效。
基础参数设置
在主界面切换到"设置"标签,核心配置项包括:
- 存储路径:通过
bilibili.savePath参数指定下载目录,建议设置在剩余空间大于10GB的磁盘分区 - 清晰度选择:在下拉菜单中从360P到1080P+中选择,默认720P平衡画质与存储占用
- 并发控制:设置
bilibili.download.poolSize为3-5(默认3),避免因线程过多导致网络拥堵
图:BilibiliDown下载设置面板,红框标注清晰度选择与下载策略区域,支持批量任务一键执行
智能命名规则(原创技巧)
通过bilibili.name.format参数自定义文件命名格式,推荐使用以下组合:
avTitle pDisplay clipTitle qn
效果示例:"【Python入门】零基础到精通 P1 变量与数据类型 1080P"。这种命名方式包含专辑名、集数、标题和清晰度,方便后续检索。配置文件位于release/config/app.config,修改后需重启软件生效。
一键启动批量下载:3种高频场景实战
BilibiliDown针对不同使用场景设计了直观的操作流程,无论是课程备份还是系列合集下载,都能轻松应对。
场景一:收藏夹内容备份
- 在主界面左侧导航栏选择"收藏夹"
- 勾选需要下载的收藏夹专辑(可多选)
- 点击"批量下载"按钮,系统会自动解析所有视频信息
图:BilibiliDown收藏夹批量下载功能展示,支持一键选中多个专辑并自动开始下载
场景二:UP主系列作品下载
- 在搜索框输入UP主ID(如"m101422828")
- 点击"获取全部作品",系统会列出该UP主所有投稿
- 选择需要下载的分区(如"教程"、"日常"),设置过滤条件
场景三:课程资源离线化
对于需要反复观看的学习课程,建议开启"断点续传"功能:
- 在配置文件中设置
bilibili.resumeDownload=true - 课程下载中断后,再次执行相同任务会自动从断点继续
- 配合
bilibili.pageSize=7参数(默认值),优化分页加载效率
图:配置文件关键参数截图,红框标注分页大小设置项,优化大列表加载速度
突破下载效率瓶颈:进阶优化技巧
掌握以下技巧,让BilibiliDown的批量下载能力发挥到极致🚀。
下载速度优化
默认配置下,BilibiliDown已经过优化,但在网络条件允许时,可尝试:
- 将
bilibili.download.poolSize调整为5,提升并发下载能力 - 在非高峰时段(如凌晨2-6点)执行大型下载任务
- 监控网络占用情况,确保软件获得足够带宽
图:任务管理器显示BilibiliDown下载时的网络占用,峰值可达93.9 Mbps
存储空间管理(原创技巧)
当下载大量视频时,启用"自动清理临时文件"功能:
- 设置
bilibili.clearTempAfterComplete=true - 软件会在视频合并完成后自动删除分片文件
- 配合
bilibili.savePath按类别设置不同存储路径,如"学习资料"、"娱乐视频"
开始使用BilibiliDown:环境准备与安装
要体验高效的B站视频批量下载,只需完成以下步骤:
环境依赖
- Java 8或更高版本(推荐Java 11)
- 至少2GB可用内存
- 稳定的网络连接
获取与验证
git clone https://gitcode.com/gh_mirrors/bi/BilibiliDown
cd BilibiliDown
chmod +x package.sh
./package.sh
执行上述命令后,检查release目录下是否生成可执行文件。Windows用户可直接运行BilibiliDown.exe,Linux/Mac用户需通过终端启动:
cd release
java -jar NeedBiliAV.jar
首次启动会自动创建配置文件,位于release/config目录。建议先完成基础配置再执行下载任务,确保获得最佳体验。无论是学习资料备份、旅行离线观看还是内容收藏整理,BilibiliDown都能成为你的得力助手,让视频下载从此变得简单高效。
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
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust023
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