bilibili-analyzer

B站/bilibili视频、合集/系列及多P视频转专题文档、实操教程或结构化知识整理 Applicable when: 用户提供bilibili/B站视频、合集/系列链接或多P视频链接，要求转文档、生成教程、课程笔记或步骤化学习材料 Example prompts: "分析B站视频", "bilibili转文档", "视频转教程", "合集", "视频合集", "UGC合集", "系列视频", "全集", "分P全部", "B站合集分析", "合集转文档", "分析整个合集", "批量分析视频", "分析合集视频"

Aller à l'installation

Dépôt: gaojesse999/ai-scripts
Dernière activité de la source: 30 juillet 2026 à 10:18
Langue détectée de SKILL.md: chinois
Étoiles: 1
Forks: 2

Options d'installation

Le prompt qui vérifie d'abord la source est sélectionné par défaut. Vous pouvez passer à une commande directe ou télécharger une copie locale.

Installer avec Codex ou Claude Copiez ce prompt, collez-le dans Codex, Claude ou un autre assistant, puis laissez-le vérifier la page du skill et l'installer pour vous.

Une commande directe contourne le prompt de vérification. Examinez la source avant de l'exécuter.

npx skills add https://github.com/gaojesse999/ai-scripts --skill bilibili-analyzer

La commande reste sur une seule ligne. Faites défiler horizontalement pour la vérifier avant de la copier.

Vous préférez une copie locale ? Téléchargez les fichiers actuellement disponibles dans SkillsMP.

Vérifiez les fichiers source

Lisez SKILL.md et les fichiers associés affichés par SkillsMP avant de décider de l'installer.

Explorateur de fichiers

10 fichiers

SKILL.md

Instructions source · Aperçu en lecture seule

Retour à la recherche Retour à l’installation

name

bilibili-analyzer

description

Bilibili Analyzer

Description

B站视频、合集/系列与多P视频内容分析工具。提供视频、合集/系列 URL 或多P视频链接后，自动下载视频、拆解成帧图片，并优先获取平台字幕；若字幕不可用，则直接分析视频提取的关键帧，生成高质量的专题文档或实操教程。

支持两种模式：

单视频模式：只分析当前一个视频；如果当前链接属于多P视频，则只分析当前这一P，生成 视频分析.md
合集模式：统一表示“多视频 / 多P 范围分析”。可用于分析 UGC 合集、系列视频，或当前多P视频的全部P；最终生成 合集视频分析.md 或 分P视频分析.md

这个 skill 的内部实现基于 Python：先通过 Bilibili 公共接口下载视频，再抽取原始帧到 images_raw/，按相邻帧相似度做去重并输出关键帧到 images/；随后优先获取平台字幕，字幕不可用时直接进入关键帧图片分析；最后将可用文本主线与关键帧分析结果重组为可直接阅读或执行的 Markdown 文档。

核心特点:

不是简单的时间线记录，而是重新组织整理成一篇完整的文档
实操类视频 → 生成可直接使用的操作教程
知识类视频 → 生成结构化的专题文档
字幕优先，字幕不可用时直接进入图片分析，由关键帧提供视觉证据
基础流程使用 Python 直接调用 Bilibili 公共接口下载视频，不依赖 .NET
保留 images_raw/ 原始帧，并将去重后的关键帧输出到 images/
报告中插入关键截图，使用 ![描述](./images/frame_xxxx.jpg) 格式
自动判断当前请求是“单视频范围”还是“多视频 / 多P 范围”，并处理合集、系列与多P嵌套场景

Source & Documentation

工具	用途	Repository	文档
Python	执行准备脚本	-	官网 / 文档
OpenCV	视频读取与抽帧	opencv/opencv	官网 / 文档
Pillow + ImageHash	感知哈希去重	JohannesBuchner/imagehash	Pillow / ImageHash
Bilibili API	视频下载与合集检测	SocialSisterYi/bilibili-API-collect	API文档

Installation

1. 安装 Python

建议使用 Python 3.10 或更高版本。

验证安装:

python3 --version

环境说明：部分环境只提供 python3 命令而没有 python。若 python 不可用，请把下文所有命令中的 python 替换为 python3。

2. 安装 Python 依赖

推荐在虚拟环境中安装：

python3 -m venv .venv
source .venv/bin/activate
python3 -m pip install --upgrade pip
python3 -m pip install opencv-python-headless pillow ImageHash imageio-ffmpeg

Windows PowerShell:

python -m venv .venv
.\.venv\Scripts\Activate.ps1
python -m pip install --upgrade pip
python -m pip install opencv-python-headless pillow ImageHash imageio-ffmpeg

说明：

opencv-python-headless 负责读取视频并按目标 fps 抽帧
pillow 与 ImageHash 用于计算相邻帧 pHash
imageio-ffmpeg 提供 ffmpeg，用于合并 DASH 高清视频流与音频流（也可使用系统安装的 ffmpeg）
collection.py、resolve_scope.py 与 text_prepare.py 仅使用 Python 标准库访问 Bilibili 接口与字幕数据
本 skill 不要求安装 .NET

3. 网络代理（按需）

所有脚本在启动时会先做一次轻量网络自检：若无法连接 Bilibili，会立即终止并提示可能需要配置代理，以节约时间/成本。

若当前环境需要代理，请在运行命令前设置标准环境变量（urllib 会自动使用）：

export http_proxy=http://<proxy-host>:<port>
export https_proxy=http://<proxy-host>:<port>

4. 登录 Cookie（按需，用于高清/会员/付费内容）

匿名请求只能拿到较低清晰度或受限内容。若需要下载高清、会员或付费番剧，可提供登录 Cookie（至少包含 SESSDATA）：

# 方式一：直接提供 Cookie 字符串
export BILI_COOKIE="SESSDATA=xxxx; bili_jct=yyyy"

# 方式二：从文件读取（推荐）
export BILI_COOKIE_FILE=/path/to/bili_cookie.txt

脚本会自动把 Cookie 注入所有 Bilibili 接口请求。

Cookie 文件模板

当需要用户提供 Cookie 时，请让用户严格按以下模板格式提供（模板文件见 templates/bili_cookie.example.txt）。文件中以 # 开头的注释行会被自动忽略，只需保留末尾一行 key=value; ...：

SESSDATA=<你的SESSDATA>; bili_jct=<你的bili_jct>; DedeUserID=<你的DedeUserID>; DedeUserID__ckMd5=<你的DedeUserID__ckMd5>

字段	是否必填	说明
`SESSDATA`	必填	身份认证凭证，高清/会员/付费内容必须
`bili_jct`	建议	常用校验字段
`DedeUserID`	建议	你的用户 ID
`DedeUserID__ckMd5`	可选	校验字段
`buvid3` / `buvid4`	可选	设备标识

获取方法：登录 https://www.bilibili.com → 按 F12 → Application/应用 → Cookies → https://www.bilibili.com，复制对应字段的 Value。

安全提醒：Cookie 等同于登录凭证，请勿提交到仓库或分享；SESSDATA 通常约一个月过期，过期后需重新获取。

Scope

输入是 B站/bilibili 视频或合集链接，输出目标是专题文档、实操教程、课程笔记或结构化知识整理
支持单个视频、UGC 合集 / 系列视频，以及多P视频全部分P的批量分析
支持番剧 / PGC 链接（bangumi/play/ep{id} 单集、bangumi/play/ss{id} 整季）
高清优先：下载时优先请求 DASH（fnval=4048），选取最佳视频流与音频流并用 ffmpeg 合并；无 DASH 时回退到 durl 单段
支持“字幕优先 -> 图片兜底”的内容理解链路
适合把视频内容重组成可阅读、可复用的文档，而不是保留时间线流水账
不适用于纯字幕提取、逐句转录，或只做简短摘要的场景

Internal Workflow

先根据用户措辞判断当前请求是“单视频模式”还是“合集模式”
使用 scripts/resolve_scope.py 把原始 URL 解析成最终要处理的明确单元（单视频、当前P、当前 BV 的全部P、整个合集 / 系列）
scripts/prepare.py 只处理 resolver 产出的明确视频 URL 或明确 ?p= page URL，并按设定 fps 抽取原始帧到 images_raw/
scripts/text_prepare.py 只处理 resolver 产出的明确视频 URL 或明确 ?p= page URL，优先获取平台字幕；字幕不可用时直接进入仅图片模式
对相邻帧执行基于 ImageHash 的相似度去重，将保留帧输出到 images/
结合 text_segments.json 与关键帧分析结果，按主题重组内容并生成 视频分析.md
合集模式下，将各视频或各P的 视频分析.md 先按底层单元合并，再根据目标范围生成 合集视频分析.md 或 分P视频分析.md
需要时保留 metadata.json、frames.json、subtitles.json、text_segments.json 等中间产物，便于后续核对时间轴与图片来源

Provided Scripts

本 skill 提供了四个脚本：

scripts/resolve_scope.py — 统一解析最终处理范围

用于把用户提供的原始 URL 和当前模式（single / collection）解析成最终应该处理的明确单元列表。

它负责：

解析 b23.tv 短链接
判断当前输入是合集 / 系列总链接、普通视频链接、当前P链接还是多P总链接
识别番剧 / PGC 链接：ep{id} 单集、ss{id} 整季；单视频模式下只取当前（或第一）集，合集模式下展开整季全部剧集
在单视频模式下，把总链接下沉到第一个可分析单元
在合集模式下，决定是处理整个合集 / 系列，还是处理当前 BV 的全部P
展开合集 / 系列中嵌套的多P子视频，给出完整目标结构

运行方式: 使用 Python 直接执行

使用方法

# 单视频模式
python scripts/resolve_scope.py "<URL>" --mode single

# 合集模式
python scripts/resolve_scope.py "<URL>" --mode collection

关键输出字段

字段	说明
`input_link_type`	当前链接类型，例如 `collection_root`、`video`、`current_p`、`multi_p_root`
`resolved_scope`	最终处理范围，例如 `single_video`、`single_page`、`all_pages_of_current_bv`、`full_collection`
`display_logic`	应向用户展示的处理逻辑说明
`targets`	最终待处理单元列表；其内 URL 已经是可直接传给 `prepare.py` / `text_prepare.py` 的明确目标

重要说明：

后续执行 prepare.py / text_prepare.py 时，优先使用 resolve_scope.py 输出的 targets[*].url
不要直接把多P总链接传给 prepare.py / text_prepare.py

scripts/prepare.py — 视频下载与拆帧

用于下载单个明确视频单元、提取原始帧并输出去重后的关键帧。

运行方式: 使用 Python 直接执行

使用方法

# 基本用法
python scripts/prepare.py "<视频URL>" -o <输出目录>

# 示例
python scripts/prepare.py "https://www.bilibili.com/video/BV1xx411c7mD" -o ./output

# 明确处理某个分P
python scripts/prepare.py "https://www.bilibili.com/video/BV1xx411c7mD?p=2" -o ./output-p2

# 长视频（降低帧率）
python scripts/prepare.py "https://www.bilibili.com/video/BV1xx411c7mD" -o ./output --fps 0.5

多P注意：如果目标视频是多P视频，必须先通过 resolve_scope.py 得到明确的 ?p= URL，再传给 prepare.py。prepare.py 不再接受模糊的多P总链接。

番剧注意：prepare.py 支持 bangumi/play/ep{id} 单集链接；下载时优先 DASH 高清（fnval=4048）并用 ffmpeg 合并音视频，无 DASH 时回退到 durl 单段。

参数说明

参数	说明	默认值
`url`	B站视频URL（必需）	-
`-o, --output`	输出目录	当前目录
`--fps`	每秒提取帧数	1.0
`--similarity`	相似度阈值（0-1），超过此值的相邻帧会被去重	0.80
`--no-dedup`	禁用相似帧去重	false
`--max-height`	DASH 高清分辨率上限（如 `1080`）；`0` 表示取最佳（4K/HDR）	1080

相似帧去重

脚本会自动对相邻帧进行相似度检测，去除相似度超过阈值（默认80%）的重复帧：

使用 ImageHash 的 pHash 计算感知相似度
只比较相邻帧，不会跨帧比较
原始抽帧保留在 images_raw/ 中
去重后将保留帧复制到 images/，并自动重新编号（frame_0001.jpg, frame_0002.jpg, ...）
frames.json 会记录最终帧对应的 source_file、时间戳和相邻相似度
可通过 --similarity 0.85 调整阈值
可通过 --no-dedup 禁用去重

输出结构

<输出目录>/
├── video.mp4           # 下载的视频文件
├── images_raw/         # 按 fps 抽取的全部原始帧
│   ├── frame_0001.jpg
│   ├── frame_0002.jpg
│   └── ...
├── images/             # 去重后的关键帧
│   ├── frame_0001.jpg
│   ├── frame_0002.jpg
│   └── ...
├── metadata.json       # 视频元数据与帧统计
└── frames.json         # 保留帧索引与 source_file 映射

scripts/collection.py — 合集检测与视频列表提取

用于检测 URL 是单视频还是合集 / 系列，并输出结果 JSON。这个脚本现在更适合作为 resolver 的父级列表获取器 使用。

运行方式: 使用 Python 直接执行

使用方法

python scripts/collection.py "<URL>"

支持的 URL 格式

URL 模式	说明
`https://www.bilibili.com/video/BVxxx`	单视频或合集中的视频（自动检测）
`https://space.bilibili.com/{mid}/channel/collectiondetail?sid={season_id}`	UGC 合集主页
`https://space.bilibili.com/{mid}/channel/seriesdetail?sid={series_id}`	系列主页
`https://b23.tv/xxxxx`	短链接（自动解析）

输出格式

单视频:

{
  "type": "single",
  "bvid": "BV1xx411c7mD",
  "title": "视频标题",
  "url": "https://www.bilibili.com/video/BV1xx411c7mD"
}

合集（通过 BV 链接检测到 UGC 合集）:

{
  "type": "collection",
  "source": "ugc_season",
  "collection_title": "合集标题",
  "total": 5,
  "also_in_series": true,
  "series_info": {"collection_title": "系列标题", "total": 5},
  "videos": [
    {"bvid": "BV1aaa", "title": "第1集", "url": "https://www.bilibili.com/video/BV1aaa", "duration": 600},
    {"bvid": "BV1bbb"

合集（通过合集页面 URL）:

{
  "type": "collection",
  "source": "collection_page",
  "collection_title": "合集标题",
  "total": 5,
  "videos": [...]
}

合集（通过系列页面 URL）:

{
  "type": "collection",
  "source": "series_page",
  "collection_title": "系列标题",
  "total": 5,
  "videos": [...]
}

多P说明

collection.py 只负责合集 / 系列检测，不负责多P总列表枚举。多P视频请通过 view API 的 pages 字段判断与展开：

pages <= 1：普通单P视频
pages > 1 且 URL 含 ?p=：当前P链接
pages > 1 且 URL 不含 ?p=：多P总链接

scripts/text_prepare.py — 字幕优先 / 图片兜底的文本准备

用于为后续内容理解准备文本主线。它遵循以下优先级：

优先使用平台字幕
字幕不可用时，返回仅图片模式

运行方式: 使用 Python 直接执行

使用方法

# 基本用法
python scripts/text_prepare.py "<视频URL>" -o <输出目录>

# 明确处理某个分P
python scripts/text_prepare.py "https://www.bilibili.com/video/BV1xx411c7mD?p=2" -o ./output-p2

参数说明

参数	说明	默认值
`url`	B站视频 URL（必需）	-
`-o, --output`	输出目录	当前目录

多P注意：如果目标视频是多P视频，必须先通过 resolve_scope.py 得到明确的 ?p= URL，再传给 text_prepare.py。text_prepare.py 不再接受模糊的多P总链接。

输出模式

字幕模式：如果平台字幕可用，输出：

{
   "mode": "subtitle",
   "subtitle_count": 120,
   "files": {
      "subtitles_json": "/abs/output/subtitles.json",
      "subtitles_txt": "/abs/output/subtitles.txt",
      "text_segments_json": "/abs/output/text_segments.json"
   }
}

仅图片模式：如果字幕不可用，输出：

{
   "mode": "image_only",
   "reason": "subtitle_unavailable"
}

中间产物说明

文件	说明
`subtitles.json`	字幕模式下的结构化字幕结果
`subtitles.txt`	字幕纯文本
`text_segments.json`	字幕模式下统一后的时间轴文本片段，供后续分析使用

Workflow (Prompt)

你是一个视频内容分析助手。当用户提供B站视频、合集/系列链接或多P视频链接时，按以下步骤执行：

Step 0: 判断单视频模式 / 合集模式

先把用户请求映射成两种范围之一：

单视频模式：只分析当前一个视频；如果当前链接属于多P视频，则只分析当前这一P
合集模式：统一表示“多视频 / 多P 范围分析”，包括合集、系列、批量视频、全集、分P全部等语义

0A. 先判断用户意图属于哪一类

合集模式关键词："合集"、"视频合集"、"UGC合集"、"系列视频"、"全集"、"分P全部"、"B站合集分析"、"合集转文档"、"分析整个合集"、"批量分析视频"、"分析合集视频" 等。

规则：

只要用户请求语义明确落在上面这些“多视频 / 多P 范围”关键词中，就进入合集模式
其余情况默认进入单视频模式

0B. 再判断链接本身属于哪一类

需要区分 4 种链接：

合集 / 系列总链接

例如 space.bilibili.com/{mid}/channel/collectiondetail?sid=...
例如 space.bilibili.com/{mid}/channel/seriesdetail?sid=...

普通视频链接

例如 https://www.bilibili.com/video/BVxxx
可能是普通单P视频，也可能是合集/系列中的某一个视频

当前P链接

例如 https://www.bilibili.com/video/BVxxx?p=2

多P总链接

view API 中 pages > 1
用户提供的是 BV 链接本身，但 URL 不带 ?p=

判断方法：

如有 b23.tv 短链接，先解析到最终 URL
如果是 space.bilibili.com 的合集 / 系列页面，直接视为“合集 / 系列总链接”
如果是 BV 链接，先调用 view API 读取 pages
若 pages > 1 且 URL 含 ?p= → 视为“当前P链接”
若 pages > 1 且 URL 不含 ?p= → 视为“多P总链接”
如需判断当前 BV 是否属于合集 / 系列，再调用 collection.py

0C. 单视频模式的路由规则

链接类型	处理方式
合集 / 系列总链接	正常分析第一个可分析单元：先取合集 / 系列中的第一个视频；如果这个第一个视频本身还是多P视频，则继续下沉到它的第一P
多P总链接	正常分析第一P
当前P链接	按当前这一P执行单视频分析
普通 BV 链接（即便它属于合集/系列中的某一个视频）	按当前这一个视频执行单视频分析

对应场景：

用户在单视频模式下提供了合集 / 系列中的某一个视频链接 → 正常分析当前这一个视频
用户在单视频模式下提供了多P视频中的某一个 ?p= 链接 → 正常分析当前这一P
用户在单视频模式下提供了合集 / 系列 / 多P 的总链接 → 正常下沉到第一个可分析单元（第一个视频或第一P）

A.2 补充要求：

当单视频模式命中合集 / 系列 / 多P的总链接并触发自动下沉时，必须先向用户展示当前处理逻辑，明确说明：
- 原始链接被识别成了哪一种总链接（合集 / 系列总链接，或多P总链接）
- 当前将按什么规则下沉（第一个视频，或第一P）
- 最终将处理的具体单元是什么（例如“将分析合集中的第一个视频 XXX”或“将分析当前多P视频的第1P：XXX”）
- 用户若希望处理范围不同，应使用什么措辞（例如“分P全部”“分析整个合集”）

0D. 合集模式的路由规则

合集模式下，先看用户提供的链接落在嵌套结构的哪一层，并始终优先处理“用户当前指到的最底一层完整单元”。

链接 / 检测结果	处理方式
合集 / 系列总链接	分析整个合集 / 系列
当前 BV 属于合集 / 系列，且当前 BV 不是多P视频	分析整个合集 / 系列
当前 BV 是多P视频（无论它是否还属于合集 / 系列）	分析当前 BV 的全部P
当前P链接	分析当前 BV 的全部P

嵌套处理规则：

如果用户提供的链接本身就落在多P视频这一层，即使这个多P视频还属于更外层合集 / 系列，也只处理当前 BV 的全部P
如果用户提供的是合集 / 系列中的其他视频链接，且这个合集 / 系列里另外某些视频是多P视频，则仍按整个合集 / 系列处理，但要提前提醒用户：后续会把这些多P子视频展开成全部P一起分析

0E. 执行步骤

先根据用户措辞判断是单视频模式还是合集模式
调用 resolve_scope.py 得到最终处理范围：

# 单视频模式
python scripts/resolve_scope.py "<URL>" --mode single

# 合集模式
python scripts/resolve_scope.py "<URL>" --mode collection

读取 resolver 输出中的 input_link_type、resolved_scope、display_logic、targets
如果 resolver 在单视频模式下触发了“总链接自动下沉”，先把 display_logic 明确展示给用户，再继续分析
如果 resolver 输出的是合集 / 系列或“当前 BV 的全部P”，则基于 targets 生成目录结构并在开始处理前展示给用户
后续调用 prepare.py / text_prepare.py 时，只使用 resolver 输出的明确 targets[*].url

全局 Step 1: 下载视频并拆帧

使用提供的脚本下载视频并拆解成帧图片：

python scripts/prepare.py "<视频URL>" -o <输出目录>

注意事项:

短视频（<10分钟）: 使用默认 --fps 1
中等视频（10-30分钟）: 使用 --fps 0.5
长视频（>30分钟）: 使用 --fps 0.2

全局 Step 2: 准备文本主线（字幕优先，缺失时直接图片分析）

在抽帧完成后，立即为视频准备文本上下文：

python scripts/text_prepare.py "<视频URL>" -o <输出目录>

优先级规则:

如果平台字幕可用 → 使用字幕作为主文本来源
如果字幕不可用 → 进入仅图片模式

执行要求:

无需额外文本回退参数，默认按“字幕 -> 图片”执行
如果返回 mode=subtitle，后续分析时必须先读取 text_segments.json
如果返回 mode=image_only，后续退回纯图片分析流程

文本链路原则:

字幕负责提供“讲了什么”“步骤顺序是什么”“口播解释是什么”
图片负责提供“画面上具体出现了什么”“代码/UI/报错是否真实出现”
没有字幕时，不要伪造口播内容，直接以图片和界面证据组织文档

全局 Step 3: 联合分析文本与关键帧

根据 text_prepare.py 的输出模式执行内容分析。

任务拆分方式:

默认模式：在当前会话中顺序执行分批分析，不使用 SubAgent/Task 工具
SubAgent 模式：使用 Task 工具并行分批分析（仅当用户在请求时指定时启用）

用户可通过 "使用subagent"、"并行分析"、"用task分析" 等关键词启用 SubAgent 模式。

分批策略（根据总图片数动态计算）:

总图片数	分批数量	每批图片数
1-30	1 批	全部
31-60	2 批	约 15-30 张/批
61-120	3 批	约 20-40 张/批
121-200	4 批	约 30-50 张/批
200+	5 批	平均分配

计算公式:

总图片数 <= 30: 1 批
总图片数 <= 60: 2 批
总图片数 <= 120: 3 批
总图片数 <= 200: 4 批
总图片数 > 200: 5 批

每批图片数 = 总图片数 / 分批数量（向上取整）

示例：假设有 85 张图片 → 分 3 批

批次 1: 分析 frame_0001.jpg ~ frame_0029.jpg（29张）
批次 2: 分析 frame_0030.jpg ~ frame_0058.jpg（29张）
批次 3: 分析 frame_0059.jpg ~ frame_0085.jpg（27张）

全局 Step 3.1: 先读文本主线

如果 text_prepare.py 返回 mode=subtitle：

先读取 <输出目录>/text_segments.json
总结视频的主叙事、章节脉络、口播重点
识别每个阶段需要哪些关键帧来支撑文本内容

如果返回 mode=image_only：

直接跳到图片分析
不要伪造字幕、不要编造口播内容

全局 Step 3.2: 分批分析关键帧

多模态分析 Prompt 模板:

结合 <输出目录>/text_segments.json（如果存在）与 <输出目录>/images/ 目录下的 frame_0001.jpg 到 frame_0020.jpg（共20张图片）进行分析。

【你的目标】
1. 先用文本主线理解这一段主要在讲什么
2. 再核对每张图片里真实出现了什么
3. 记录代码、UI、终端输出、错误信息、按钮位置、页面变化等视觉证据
4. 标注“文本说了什么”与“画面展示了什么”是否一致
5. 如果文本没有覆盖某张图，就只根据图片描述该图
6. 如果文本与图片冲突，要明确写出冲突，不要强行合并

【输出格式】

## 本批摘要
- 文本主线: [如果存在文本，就总结该批次讲解重点；否则写“无文本主线，仅图片分析”]
- 关键视觉主题: [这一批图片主要展示什么]

## frame_0001.jpg
- 文本关联: [对应的字幕内容；若无则写“无”]
- 场景: [代码编辑器/终端/浏览器/PPT/对话/其他]
- 视觉内容: [详细描述界面、布局、正在展示的内容]
- 画面文字/代码:

[图片中实际可见的文字、代码、命令、输出]

- 一致性判断: [一致/补充/冲突]
- 要点: [这张图对最终文档最重要的信息]

## frame_0002.jpg
...

【注意】
- 不要伪造字幕或口播内容
- 代码和 UI 名称优先以画面为准
- 概念解释和步骤顺序优先参考字幕
- 任何冲突都要显式标注

分析要点:

如果存在字幕，先建立语义主线，再让图片补强
如果不存在字幕，只依据图片进行分析
记录每张图片的关键信息，并标注重要帧号
对代码、命令、UI 名称、报错文案必须以图片中真实出现的内容为准

全局 Step 4: 生成文档

根据视频类型，将分析结果重新组织整理成 视频分析.md。

判断视频类型:

实操类: 编程教程、软件操作、配置演示等
知识类: 概念讲解、原理分析、经验分享等

生成文档时的优先级:

章节主线 / 叙事顺序：优先参考字幕
代码 / UI / 页面 / 报错 / 操作位置：优先参考图片
文本与图片冲突时：显式写出冲突，不要强行统一

【关键】图片与内容必须严格对应:

错误示例 ❌:
### 安装 Node.js
首先下载 Node.js...
![截图](./images/frame_0001.jpg)  ← 图片可能是其他内容

正确示例 ✅:
### 安装 Node.js
首先下载 Node.js...
![frame_0015: Node.js官网下载页面](./images/frame_0015.jpg)  ← 图片确实是下载页面

生成文档的正确流程:

先整理文本主线与图片分析结果
- 如果有 text_segments.json，先用它建立章节脉络
- 汇总所有帧的分析内容
- 建立「时间轴文本 -> 关键帧 -> 内容」的对应关系
按主题重新组织内容（不是按时间顺序流水账）
- 将相关内容归类到同一章节

用字幕提供的解释串起章节
用关键帧补充截图、界面、代码和操作细节

插入图片时必须核对
- 只插入与当前内容直接相关的图片
- 图片描述要准确反映图片实际内容
- 使用格式: ![frame_xxxx: 图片实际内容描述](./images/frame_xxxx.jpg)
代码必须来自图片中的实际代码
- 不要自己编造代码
- 代码块标注来源:

重要原则:

文本主线 + 图片校验 - 文本负责讲解主线，图片负责真实性校验与细节补充
图文对应 - 每张图片必须与其上下文内容匹配
不要时间线流水账 - 重新组织内容，像写文章一样
代码真实 - 只使用图片中出现的代码，不要编造
独立可读 - 不看视频也能完全理解

合集模式分析流程

当 Step 0 进入合集模式时，目标范围可能是以下三种之一：

整个合集 / 系列
当前多P视频的全部P
整个合集 / 系列，但其中某些子视频需要展开成全部P

合集模式 Phase A: 确认待分析列表与目录结构

开始处理前，必须先把 resolve_scope.py 输出的最终待分析结构列给用户。

调用 resolve_scope.py 并读取 resolved_scope 与 targets
如果目标是合集 / 系列：直接展示 resolver 输出的视频列表；其中多P子视频应已展开页级结构
如果目标是多P视频：直接展示 resolver 输出的全部P列表
显示标题、总数、每个视频或每个P的标题和时长
显示预计输出目录结构
等待用户确认后开始分析

合集模式 Phase B: 逐个分析视频或分P

情况 A：目标是合集 / 系列中的普通视频

对每个视频依次执行上文的全局 Step 1（下载视频并拆帧）→ 全局 Step 2（准备文本主线）→ 全局 Step 3（联合分析文本与关键帧，含 3.1 / 3.2）→ 全局 Step 4（生成文档）：

# 视频1（URL 来自 resolve_scope.py 的 targets）
python scripts/prepare.py "<视频1 URL>" -o <合集输出目录>/<视频1 BV号>/
python scripts/text_prepare.py "<视频1 URL>" -o <合集输出目录>/<视频1 BV号>/
# → 联合分析文本与关键帧 → 生成 视频分析.md

情况 B：目标是当前多P视频的全部P

先通过 view API 读取全部 pages，再对每个P依次执行上文的全局 Step 1（下载视频并拆帧）→ 全局 Step 2（准备文本主线）→ 全局 Step 3（联合分析文本与关键帧，含 3.1 / 3.2）→ 全局 Step 4（生成文档）：

# P1（URL 来自 resolve_scope.py 的 targets）
python scripts/prepare.py "https://www.bilibili.com/video/<BV>?p=1" -o <多P输出目录>/P01/
python scripts/text_prepare.py "https://www.bilibili.com/video/<BV>?p=1" -o <多P输出目录>/P01/
# → 联合分析文本与关键帧 → 生成 视频分析.md

# P2（URL 来自 resolve_scope.py 的 targets）
python scripts/prepare.py "https://www.bilibili.com/video/<BV>?p=2" -o <多P输出目录>/P02/
python scripts/text_prepare.py "https://www.bilibili.com/video/<BV>?p=2" -o <多P输出目录>/P02/
# → 联合分析文本与关键帧 → 生成 视频分析.md

情况 C：合集 / 系列中包含多P子视频

先按合集 / 系列顺序遍历每个子视频：

普通单P子视频 → 直接生成 <BV号>/视频分析.md
多P子视频 → 先展开全部P，生成 <BV号>/P01/视频分析.md、<BV号>/P02/视频分析.md ...，再在 <BV号>/分P视频分析.md 中合并

注意：

普通视频输出目录使用 BV 号命名（如 BV1aaa/）
多P视频建议使用 P01/、P02/ ... 作为页级目录名
如果某个视频或某个P分析失败，记录错误并继续分析后续单元
两个视频之间适当间隔以避免 API 限流

合集模式 Phase C: 合并生成最终文档

根据目标范围，合并策略分两种。

合并为 `分P视频分析.md`

当目标是“当前 BV 的全部P”时：

文件开头写入视频概要信息（视频标题、总P数、UP 主等）
按P顺序拼接每个 Pxx/视频分析.md
每个P前加一级标题分隔：# 第X P: {分P标题}
各P内部标题级别降一级（# → ##，## → ###，依此类推）
图片路径调整为相对于多P根目录：./images/frame_xxxx.jpg → ./P01/images/frame_xxxx.jpg
分析失败的P在对应位置标注失败信息

合并为 `合集视频分析.md`

当目标是“整个合集 / 系列”时：

文件开头写入合集概要信息（合集标题、视频总数、UP 主等）
按原始顺序拼接每个视频的分析内容
每个视频前加一级标题分隔：# 第X集: {视频标题}
普通单P视频直接引用 <BV号>/视频分析.md
多P子视频先在 <BV号>/分P视频分析.md 中完成本地合并，再把该文件作为这个视频的分析结果纳入合集总文档
图片路径按相对于合集根目录调整：

单P视频：./images/frame_xxxx.jpg → ./<BV号>/images/frame_xxxx.jpg
多P视频：./images/frame_xxxx.jpg → ./<BV号>/P01/images/frame_xxxx.jpg

分析失败的视频或分P在对应位置标注失败信息

输出目录结构示例 1：当前多P视频的全部P

<多P输出目录>/
├── P01/
│   ├── video.mp4
│   ├── images_raw/
│   ├── images/
│   ├── metadata.json
│   ├── frames.json
│   ├── subtitles.json / text_segments.json
│   └── 视频分析.md
├── P02/
│   ├── video.mp4
│   ├── images_raw/
│   ├── images/
│   ├── metadata.json
│   ├── frames.json
│   ├── subtitles.json / text_segments.json
│   └── 视频分析.md
├── ...
└── 分P视频分析.md

输出目录结构示例 2：合集 / 系列包含多P子视频

<合集输出目录>/
├── <视频1 BV号>/
│   └── 视频分析.md
├── <视频2 BV号>/
│   ├── P01/
│   │   └── 视频分析.md
│   ├── P02/
│   │   └── 视频分析.md
│   └── 分P视频分析.md
├── <视频3 BV号>/
│   └── 视频分析.md
└── 合集视频分析.md

Output Format

实操教程类

# {教程主题}

## 简介

{教程目标}
{前置条件和要求}

## 环境准备

{需要安装的软件}
{配置要求}

## 操作步骤

### 1. {步骤标题}

{详细说明。优先用字幕建立步骤解释，再用下方图片补充界面、代码和操作细节}

![frame_xxxx: 图片实际内容的准确描述](./images/frame_xxxx.jpg)

<!-- 代码来自 frame_xxxx -->
```代码块```

### 2. {步骤标题}

{详细说明}

![frame_xxxx: 准确描述](./images/frame_xxxx.jpg)

...

## 完整代码

<!-- 汇总自 frame_xxxx, frame_xxxx, frame_xxxx -->
{汇总所有代码片段，标注来源帧号}

## 常见问题

{可能遇到的问题和解决方案}

## 总结

{核心要点回顾}
{延伸学习建议}

知识文档类

# {主题}

## 概述

{主题背景介绍}
{为什么重要}

## {章节1标题}

{内容。主叙事可来自字幕，视觉细节必须由配图支撑}

![frame_xxxx: 图片实际内容描述](./images/frame_xxxx.jpg)

## {章节2标题}

{内容}

![frame_xxxx: 图片实际内容描述](./images/frame_xxxx.jpg)

## 核心要点

- 要点1
- 要点2
- 要点3

## 延伸阅读

{相关资源和建议}

合集文档

# {合集标题}

## 合集概要

- **合集标题**: {合集标题}
- **视频总数**: {total} 个
- **UP 主**: {uploader}

---

# 第1集: {视频1标题}

## {视频1的章节1}

{内容}

![frame_xxxx: 描述](./<视频1 BV号>/images/frame_xxxx.jpg)

## {视频1的章节2}

{内容}

---

# 第2集: {视频2标题}

## {视频2的章节1}

{内容}

![frame_xxxx: 描述](./<视频2 BV号>/images/frame_xxxx.jpg)

...

多P文档

# {视频标题}

## 视频概要

- **视频标题**: {视频标题}
- **总P数**: {total_pages} 个
- **UP 主**: {uploader}

---

# 第1P: {P1标题}

## {P1章节1}

{内容}

![frame_xxxx: 描述](./P01/images/frame_xxxx.jpg)

---

# 第2P: {P2标题}

## {P2章节1}

{内容}

![frame_xxxx: 描述](./P02/images/frame_xxxx.jpg)

...

图片插入规范

规则	说明
帧号必须标注	`![frame_0015: 描述](./images/frame_0015.jpg)`
描述必须准确	描述图片的实际内容，不是期望内容
内容必须匹配	图片上方/下方的文字必须与图片内容相关
代码标注来源	`<!-- 代码来自 frame_0025 -->`
不要乱插图	没有合适的图就不插，不要强行配图
合集 / 多P路径	合集文档中使用 `./<BV号>/images/frame_xxxx.jpg`；多P文档中使用 `./P01/images/frame_xxxx.jpg`；合集中的多P子视频使用 `./<BV号>/P01/images/frame_xxxx.jpg`

文本主线使用规范

规则	说明
字幕优先	如果 `text_segments.json` 来自字幕，章节主线优先参考字幕
代码/UI 以图为准	代码、按钮名、报错文案、页面结构优先以图片为准
冲突必须标注	文本与图片冲突时要明确说明，不要强行合并
无文本时退回图片模式	`mode=image_only` 时，不能伪造口播内容

API Reference

Bilibili API

脚本使用 Bilibili 官方 API：

# 获取视频信息（含 ugc_season 合集检测）
GET https://api.bilibili.com/x/web-interface/view?bvid=BV1xx411c7mD

# 多P视频信息来自同一个 view 接口中的 pages 字段
# data.pages[].page       -> 第几P
# data.pages[].part       -> 分P标题
# data.pages[].duration   -> 分P时长
# URL 中是否包含 ?p=     -> 当前是否是具体某一P

# 获取播放地址
GET https://api.bilibili.com/x/player/playurl?bvid=BV1xx411c7mD&cid={cid}&qn=80&fnval=1

# 获取字幕元数据
GET https://api.bilibili.com/x/player/v2?bvid=BV1xx411c7mD&cid={cid}

# 获取 UGC 合集视频列表
GET https://api.bilibili.com/x/polymer/web-space/seasons_archives_list?mid={mid}&season_id={season_id}&page_num=1&page_size=100

# 获取系列视频列表
GET https://api.bilibili.com/x/series/archives?mid={mid}&series_id={series_id}&pn=1&ps=100

API 文档: https://github.com/SocialSisterYi/bilibili-API-collect

Python 准备脚本说明

# 每秒 1 帧
python scripts/prepare.py "https://www.bilibili.com/video/BV1xx411c7mD" -o ./output --fps 1

# 每秒 0.5 帧
python scripts/prepare.py "https://www.bilibili.com/video/BV1xx411c7mD" -o ./output --fps 0.5

# 调整相似度阈值
python scripts/prepare.py "https://www.bilibili.com/video/BV1xx411c7mD" -o ./output --similarity 0.85

# 保留全部原始帧，不执行去重
python scripts/prepare.py "https://www.bilibili.com/video/BV1xx411c7mD" -o ./output --no-dedup

去重逻辑：脚本会先把全部抽帧写入 images_raw/，再按相邻帧 pHash 相似度筛出保留帧并复制到 images/。

文本准备脚本说明

# 字幕优先，无字幕时直接进入图片模式
python scripts/text_prepare.py "https://www.bilibili.com/video/BV1xx411c7mD" -o ./output

文本准备逻辑：脚本会优先检查 B 站平台字幕；若字幕存在，则输出 subtitles.json 与 text_segments.json。若字幕不存在，则直接返回 image_only 模式。

合集检测脚本说明

# 检测单视频
python scripts/collection.py "https://www.bilibili.com/video/BV1xx411c7mD"

# 检测合集页面
python scripts/collection.py "https://space.bilibili.com/12345/channel/collectiondetail?sid=67890"

# 检测系列页面
python scripts/collection.py "https://space.bilibili.com/12345/channel/seriesdetail?sid=67890"

# 检测短链接
python scripts/collection.py "https://b23.tv/xxxxx"

说明：如果要处理多P总链接或当前P链接，不要依赖 collection.py 返回P列表，而是使用 view API 的 pages 字段自行展开。

在当前实现里，更推荐直接调用 resolve_scope.py，因为它已经把 view API 与 collection.py 的结果统一成了最终待处理目标。

Examples

示例1: 分析单个视频

# 1. 解析最终处理范围
python scripts/resolve_scope.py "https://www.bilibili.com/video/BV1xx411c7mD" --mode single
# 输出: {"resolved_scope": "single_video", "targets": [{...}]}

# 2. 下载并拆帧（使用 targets[0].url）
python scripts/prepare.py "https://www.bilibili.com/video/BV1xx411c7mD" -o ./react-tutorial

# 3. 准备文本主线（使用 targets[0].url）
python scripts/text_prepare.py "https://www.bilibili.com/video/BV1xx411c7mD" -o ./react-tutorial

# 4. 联合分析文本与关键帧，生成 react-tutorial/视频分析.md

示例2: 分析合集

# 1. 解析最终处理范围
python scripts/resolve_scope.py "https://space.bilibili.com/12345/channel/collectiondetail?sid=67890" --mode collection
# 输出: {"resolved_scope": "full_collection", "targets": [...]} 

# 2. 按 resolver 返回的 targets 逐个下载并拆帧
python scripts/prepare.py "https://www.bilibili.com/video/BV1aaa" -o ./my-collection/BV1aaa/
python scripts/prepare.py "https://www.bilibili.com/video/BV1bbb" -o ./my-collection/BV1bbb/
# ...

# 3. 按 resolver 返回的 targets 逐个准备文本主线
python scripts/text_prepare.py "https://www.bilibili.com/video/BV1aaa" -o ./my-collection/BV1aaa/
python scripts/text_prepare.py "https://www.bilibili.com/video/BV1bbb" -o ./my-collection/BV1bbb/
# ...

# 4. 逐个联合分析文本与关键帧并生成各视频的 视频分析.md
# 5. 合并生成 my-collection/合集视频分析.md

示例3: 分析多P视频的全部分P

# 1. 解析最终处理范围
python scripts/resolve_scope.py "https://www.bilibili.com/video/BV1xx411c7mD" --mode collection
# 输出: {"resolved_scope": "all_pages_of_current_bv", "targets": [{"url": "...?p=1"}, {"url": "...?p=2"}, ...]}

# 2. 列出全部分P并等待用户确认

# 3. 逐P下载并拆帧（使用 resolver 返回的明确 ?p= URL）
python scripts/prepare.py "https://www.bilibili.com/video/BV1xx411c7mD?p=1" -o ./my-multi-p/P01/
python scripts/prepare.py "https://www.bilibili.com/video/BV1xx411c7mD?p=2" -o ./my-multi-p/P02/

# 4. 逐P准备文本主线
python scripts/text_prepare.py "https://www.bilibili.com/video/BV1xx411c7mD?p=1" -o ./my-multi-p/P01/
python scripts/text_prepare.py "https://www.bilibili.com/video/BV1xx411c7mD?p=2" -o ./my-multi-p/P02/

# 5. 逐P生成 视频分析.md，再合并生成 my-multi-p/分P视频分析.md

示例4: 分析长视频

# 降低帧率，减少图片数量
python scripts/prepare.py "https://www.bilibili.com/video/BV1xx411c7mD" -o ./long-video --fps 0.2

示例5: 禁用去重

python scripts/prepare.py "https://www.bilibili.com/video/BV1xx411c7mD" -o ./output --no-dedup

Quality Checklist

生成文档前，逐项检查以下要求：

内容质量

内容重新组织，不是时间线流水账
章节结构清晰，有逻辑顺序
不看视频也能理解全部内容
包含环境准备/前置条件说明
包含总结和核心要点
如果字幕可用，章节主线与文本时间轴一致
如果字幕不可用，没有伪造口播内容

图文对应（重要！）

每张图片都标注了帧号，例如：

![frame_xxxx: 描述](./images/frame_xxxx.jpg)

图片描述准确反映图片实际内容
图片上下文的文字与图片内容直接相关
没有随意插入不相关的图片
代码块标注了来源帧号:

代码质量

代码来自图片中的实际代码，不是编造的
代码片段完整，可直接复制使用
完整代码章节汇总了所有代码并标注来源

文本链路（字幕 / 图片）

text_segments.json 的来源模式已确认（subtitle / image_only）
如果使用字幕，关键口播解释与章节结构一致
文本与图片冲突的地方已明确标注

合集模式相关（仅合集模式）

待分析范围已由 resolve_scope.py 确认：是整个合集 / 系列，还是当前 BV 的全部P
开始处理前，已向用户列出视频总数和目录结构
如果是整个合集 / 系列，所有视频都已分析（失败的已标注）
如果存在多P子视频，这些P已在目录结构和最终文档中正确展开
合集视频分析.md 或 分P视频分析.md 已生成且概要信息完整
各视频或各P按原始顺序排列
图片路径已调整为相对于最终根目录
各视频或各P标题级别已正确降级

Compatibility

Codex: Yes
Claude Code: Yes

bilibili-analyzer

Informations de source

Options d'installation

Vérifiez les fichiers source

Plus depuis ce dépôt

Plus depuis ce dépôt

Bilibili Analyzer

Description

Source & Documentation

Installation

1. 安装 Python

2. 安装 Python 依赖

3. 网络代理（按需）

4. 登录 Cookie（按需，用于高清/会员/付费内容）

Cookie 文件模板

Scope

Internal Workflow

Provided Scripts

scripts/resolve_scope.py — 统一解析最终处理范围

使用方法

关键输出字段

scripts/prepare.py — 视频下载与拆帧

使用方法

参数说明

相似帧去重

输出结构

scripts/collection.py — 合集检测与视频列表提取

使用方法

支持的 URL 格式

输出格式

多P说明

scripts/text_prepare.py — 字幕优先 / 图片兜底的文本准备

使用方法

参数说明

输出模式

中间产物说明

Workflow (Prompt)

Step 0: 判断单视频模式 / 合集模式

0A. 先判断用户意图属于哪一类

0B. 再判断链接本身属于哪一类

0C. 单视频模式的路由规则

0D. 合集模式的路由规则

0E. 执行步骤

全局 Step 1: 下载视频并拆帧

全局 Step 2: 准备文本主线（字幕优先，缺失时直接图片分析）

全局 Step 3: 联合分析文本与关键帧

全局 Step 3.1: 先读文本主线

全局 Step 3.2: 分批分析关键帧

全局 Step 4: 生成文档

合集模式分析流程

合集模式 Phase A: 确认待分析列表与目录结构

合集模式 Phase B: 逐个分析视频或分P

情况 A：目标是合集 / 系列中的普通视频

情况 B：目标是当前多P视频的全部P

情况 C：合集 / 系列中包含多P子视频

合集模式 Phase C: 合并生成最终文档

合并为 分P视频分析.md

合并为 合集视频分析.md

Output Format

实操教程类

知识文档类

合集文档

多P文档

图片插入规范

文本主线使用规范

API Reference

Bilibili API

Python 准备脚本说明

文本准备脚本说明

合集检测脚本说明

Examples

示例1: 分析单个视频

示例2: 分析合集

示例3: 分析多P视频的全部分P

示例4: 分析长视频

示例5: 禁用去重

Quality Checklist

内容质量

图文对应（重要！）

代码质量

合并为 `分P视频分析.md`

合并为 `合集视频分析.md`

合并为 `分P视频分析.md`

合并为 `合集视频分析.md`