Bilibili Toolkit – 哔哩哔哩工具箱

我在一次探索 Github 时瞄见了一个非常神奇的 Repo:哔哩哔哩直播助手。我平时并不玩直播,不过觉得这个项目很有意思,就 Clone 了下来运行了一波,结果发现这玩意儿简直黑科技啊,抽小电视什么的全自动,一键解放生产力!可是找了一圈没找到主站助手,想着一年来除了写机器人的电控程序就没写过别的,再加上比赛前期我在使用 ROS(机器人操作系统),正好更加深入地学习了 Python,坚信 Python 大法好,就决定干脆造个轮子吧!于是我就使用 Google Chrome 开发者工具抓包 + Requests 库,苟出了这个哔哩哔哩工具箱……

前往 GitHub 了解本项目

🛠️ 哔哩哔哩(B站)辅助工具箱,支持Cookie/Token/Password融合持久化登录与多用户操作

功能

组件 版本 描述
login 2019/12/6 登录
get_user_info 2019/9/15 获取用户信息
set_privacy 2018/7/24 修改隐私设置
silver_to_coin 2018/8/8 银瓜子兑换硬币
watch 2018/8/30 观看
like 2018/7/8 点赞
reward 2018/11/22 投币
favour 2018/6/20 收藏
combo 2018/12/18 三连推荐
share 2018/6/20 分享
follow 2018/7/8 关注
danmaku_post 2019/3/11 弹幕发送
comment_like 2018/6/27 评论点赞
comment_post 2019/8/3 评论发表
dynamic_like 2018/6/29 动态点赞
dynamic_repost 2019/3/11 动态转发
dynamic_purge 2019/3/11 动态清理
system_notice 2019/8/3 系统通知查询
mall_rush 2019/9/15 会员购抢购
mall_coupon 2019/3/3 会员购优惠卷领取
mall_order_list 2019/9/15 会员购订单列表查询
mall_coupon_list 2019/8/4 会员购优惠卷列表查询
mall_prize_list 2019/8/3 会员购奖品列表查询
live_prize_list 2019/8/3 直播奖品列表查询

使用指南

二进制版本

Release页面下载并解压与您的平台适配的压缩包,修改默认配置文件config.toml后运行可执行文件bilibili即可

若要加载非默认配置文件,将其路径作为命令行参数传入即可

源代码版本

  1. 克隆或下载本代码仓库,并修改默认配置文件config.toml
git clone https://github.com/Hsury/Bilibili-Toolkit.git
cd Bilibili-Toolkit
nano config.toml
  1. 安装Python 3.6/3.7,并使用pip安装依赖
pip install -r requirements.txt -U -i https://pypi.tuna.tsinghua.edu.cn/simple
  1. 启动脚本
python bilibili.py

Docker版本

  1. 安装Docker
  2. 下载默认配置文件config.toml并根据需求修改
  3. 启动容器,并挂载配置文件
docker run --rm -it -v [YOUR PATH TO CONFIG.TOML]:/app/config.toml zsnmwy/bilibili-toolkit

若要加载代理池,补充参数-v [YOUR PATH TO PROXY.TXT]:/app/proxy.txt以挂载代理列表文件

图形验证码识别API

使用CNN卷积神经网络构建,已实现对登录、评论验证码的自适应识别

requests.post("https://bili.dev:2233/captcha", json={'image': base64.b64encode(image).decode("utf-8")})

交流

QQ群:956399361

鸣谢

本项目的灵感与使用到的部分API来自以下项目:

czp3009/bilibili-api

许可证

Bilibili Toolkit is under The Star And Thank Author License (SATA)

本项目基于MIT协议发布,并增加了SATA协议

您有义务为此开源项目点赞,并考虑额外给予作者适当的奖励 ∠( ᐛ 」∠)_

5 条评论

发表评论

*

  • 那个验证码可以用网上得付费验证码解析api接口进行解析,比较方便吖

    • 我先是找了一些标注正确率未知的样本训练出了一个识别准确率在50%左右的网络, 然后使用这个初代网络模拟登录, 对产生的验证码进行标注并依据是否成功登录分类保存. 这样就能得到一批标注正确率为100%的新样本, 再掺入一些手动标注修正的识别错误的验证码, 再进行二代网络的训练. 这样迭代几次, 训练出来的神经网络准确率就很高了.
      关于网络内部的结构, 您可以研究下这个项目喔~
      https://github.com/kerlomz/captcha_trainer