【免费下载】 开源项目:Jellyfin-Plugin-MetaShark 下载与安装指南
1. 项目介绍
Jellyfin-Plugin-MetaShark 是一个专为 Jellyfin 设计的电影元数据插件。它通过整合豆瓣和 The Movie Database (TMDB) 的力量,为您的电影资料库提供详尽的元数据信息。特别是在处理中文电影信息时展现优势,同时支持动漫的特定命名格式。安装此插件后,您将能够自动丰富您的电影和电视剧集信息,使浏览体验更加丰富。
2. 项目下载位置
项目托管于 GitHub,您可以直接通过以下链接访问:
点击上述链接或直接访问 https://github.com/cxfksword/jellyfin-plugin-metashark,然后点击右侧绿色的 "Code" 按钮选择“Download ZIP”以下载源代码包,或者通过Git命令行克隆仓库至本地。
git clone https://github.com/cxfksword/jellyfin-plugin-metashark.git
3. 项目安装环境配置
系统要求
确保您的系统已安装 .NET Core SDK 8.0 或更高版本。对于不同的操作系统,请访问 .NET Core SDK 下载适合您系统的版本。
图片示例 (由于Markdown限制,无法直接插入,但操作步骤如下所示)
- 访问 .NET Core SDK 页面。
- 根据您的操作系统选择对应的安装包。
- 下载并运行安装程序,按照向导完成安装。
注意: 在成功安装.NET Core SDK后,您应该能够在命令行工具中执行 dotnet --version 来验证安装。
4. 项目安装方式
构建插件
-
打开终端或命令提示符,切换到下载的项目根目录。
-
首先,恢复所需的依赖项:
dotnet restore -
然后,发布插件:
dotnet publish --configuration Release
这会在 /bin/Release/net8.0/ 目录下生成可用于Jellyfin的插件文件。
在Jellyfin中安装插件
-
将生成的
.dll文件复制到Jellyfin的插件目录,通常路径类似于%APPDATA%\Jellyfin\Plugins(Windows)或~/.config/Jellyfin/plugins(Linux/macOS)。 -
启动或重启Jellyfin服务。
-
登陆Jellyfin管理界面,进入“设置”->“插件”,您应该能看到MetaShark插件已可用。确保它处于激活状态,并在元数据提供者中设置为首选项。
5. 项目处理脚本示例
虽然该插件安装不需要手动脚本处理,但在更新或自定义行为时,您可能需要与之交互。一个简化的“非正式”流程脚本示例如下:
#!/bin/bash
# 设置环境变量
PLUGIN_DIR="/path/to/jellyfin/plugins"
DOTNET_PATH="wherever/dotnet/is/pathed"
# 确保.NET环境准备就绪
if ! [ -x "$DOTNET_PATH" ]; then
echo "Error: .NET runtime not found or path incorrect."
exit 1
fi
# 清理旧插件
rm -f "$PLUGIN_DIR/Jellyfin.Plugin.MetaShark.dll"
# 构建并复制插件
pushd "jellyfin-plugin-metashark"
$DOTNET_PATH restore
$DOTNET_PATH publish --configuration Release
cp bin/Release/net8.0/*.dll "$PLUGIN_DIR"
popd
echo "Plugin updated successfully."
# 请手动重启Jellyfin服务
echo "Remember to restart Jellyfin for the changes to take effect."
请注意,实际部署环境中应根据具体情况调整脚本路径和细节。完成以上步骤后,您的Jellyfin服务器便装备了MetaShark插件,为您自动化地提供丰富的电影元数据了。
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-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00