基于 CustomTkinter 的 B站视频数据监控与播放量预测桌面应用，集成 103 种预测算法，支持 Windows 原生推送和 QQ Bot 推送。
- 视频搜索: 关键词搜索B站视频，支持多关键词批量搜索与自动去重
- 数据监控: 实时监控播放量、点赞、投币、弹幕、在线观看人数等指标
- 播放量预测: 103 种算法预测到达 10万 / 100万 / 1000万 播放量所需时间
- 算法权重管理: ML 权重自动调整（含 Hedge 在线学习算法）
- 因果推断: Granger 因果检验分析各指标与播放量的领先/滞后关系
- 图神经网络: 基于视频关联图的 GCN 节点嵌入增强预测
- 阈值推送: 视频突破播放量阈值时自动推送通知
- 数据对比: 趋势折线图（8种指标切换）+ 快照柱状图（多指标多时间点对比），支持里程碑数据叠加
- 预测投影: 图表上以虚线 + 菱形标记展示加权预测值（全量/增量/新增三模式均支持）
- 弹幕分析: 获取视频弹幕，支持 LLM 自动分析情感倾向与关键词提取
- AI 问答: 基于历史播放数据的 LLM 智能问答助手
- UP主追踪: 监控 UP 主粉丝数、投稿数变化趋势
- 热门发现: 发现当前热门视频与趋势话题
- 健康探针: API 连通性检测与 LLM 服务状态监控
- 模型训练: 内置 PyTorch 训练管线，支持全局预训练与视频微调，实时 loss 图表可视化
- 模型激活: 自动/手动切换各算法最新训练模型
- 交叉计算: 分析多个视频播放量交会时间和预测
- 里程碑统计: 记录视频投稿一周 / 一月 / 一年后的数据，多视频多周期柱状对比
- 数据库查询: 本地历史数据的可视化查询工具
- 数据导出: 支持 CSV / JSON 导出
- 看板模式: 多视频关键指标一览面板
- 多供应商支持: OpenAI / DeepSeek / Claude / SiliconFlow 等多配置切换
- 弹幕智能分析: LLM 自动分析弹幕情感倾向与核心关键词，结果本地缓存
- 历史问答: 基于视频播放量趋势数据的上下文智能问答
| 类别 | 算法 | 数量 |
|---|---|---|
| 基础速度 | 线性速度、加权速度 | 2 |
| 增长/衰减 | 指数增长、对数增长、幂律衰减、指数衰减 | 4 |
| 扩散模型 | Bass扩散、Gompertz、Logistic、Richards、Weibull | 5 |
| 时间序列 | ARIMA、SARIMA、指数平滑、Holt-Winters、移动平均、加权移动平均、线性增长、多季节分解、马尔可夫体制转换、趋势外推、Theta、Prophet、卡尔曼滤波 | 13 |
| 深度学习 | MLP、神经网络、LSTM、GRU、BiLSTM、TCN、CNN-LSTM混合、CNN图像化、N-BEATS、TimesNet、DLinear、注意力机制、Diffusion TS、KNF Koopman、Mar-BiLSTM | 15 |
| Transformer模型 | Informer、TFT、PatchTST、Lag-Llama、MOIRAI | 5 |
| 统计模型 | SVR、随机森林、高斯过程、贝叶斯回归、ElasticNet、Huber、Theil-Sen、分位数回归、泊松回归、TSFC特征分类、变化点检测、生存分析 | 12 |
| 机器学习 | AdaBoost、GradientBoost、XGBoost、LightGBM、CatBoost、ExtraTrees、Bagging、Cascade级联 | 8 |
| 集成模型 | 加权集成、投票集成、堆叠集成、平均集成 | 4 |
| 互动率 | 点赞动量、分享速度、评论趋势、投币Boost、互动率综合、质量评分、病毒潜力 | 7 |
| 高级分析 | Hawkes自激过程、DistDF分布对齐、生命周期建模、多任务学习、UP主贝叶斯、概率模型 | 6 |
| 概率/贝叶斯 | 贝叶斯回归、高斯过程 | 2 |
详细说明参见 algorithms/ALGORITHMS.md
- Windows 原生通知: 系统级通知弹窗 + 声音提醒
- QQ Bot: OneBot 协议，主力 WebSocket + 回退 HTTP，支持私聊 / 群聊推送
- 每日 23:50 自动推送: 日报含今日播放增量、年刊分数、加权预测值
- 手动推送: 含年刊分数、速度/ETA、Top 3 算法预测时间及置信度
- 服务可用性检测: 设置面板一键测试连接（WS → HTTP 自动检测）
b站监控/
├── main.py # 主入口
├── run.py # 启动脚本（环境检查 + 初始化）
├── requirements.txt # Python 依赖
│
├── algorithms/ # 预测算法模块
│ ├── base.py # BaseAlgorithm 基类
│ ├── registry.py # 算法注册器（自动扫描 models/）
│ ├── model_adapter.py # 模型适配层
│ ├── weight_manager.py # 权重管理（ML 自动调整）
│ ├── online_learner.py # Hedge 在线学习
│ ├── causal_inference.py # Granger 因果推断
│ ├── graph_neural.py # 图神经网络
│ ├── ALGORITHMS.md # 算法详细文档
│ ├── training/ # PyTorch 训练管线
│ │ ├── trainer.py # 统一训练编排器
│ │ ├── dataset.py # 时序数据集
│ │ ├── checkpoint_manager.py # 多版本 Checkpoint 管理
│ │ ├── hf_loader.py # HuggingFace 模型加载器
│ │ └── device.py # 设备管理
│ └── models/ # 83 种算法实现（7 个子目录）
│ ├── simple/ # 基础速度
│ ├── growth/ # 增长模型
│ ├── time_series/ # 时间序列
│ ├── statistical/ # 统计模型
│ ├── ensemble/ # 集成学习
│ ├── deep_learning/ # 深度学习
│ └── advanced/ # 高级分析
│
├── config/ # 配置模块（加载/保存）
│
├── core/ # 核心模块
│ ├── database/ # SQLite 数据库包
│ │ ├── __init__.py # 导出 db, MonitorRecord, PredictionRecord
│ │ ├── models.py # 数据模型（VideoInfo, MonitorRecord, PredictionRecord）
│ │ ├── connection.py # 连接管理（线程安全上下文）
│ │ ├── video_db.py # 单视频数据库（按 BV 分库）
│ │ ├── central_db.py # 中央数据库 Facade
│ │ ├── central_crud.py # 中央库 CRUD 操作
│ │ ├── central_query.py # 中央库查询
│ │ └── central_backup.py # 中央库备份同步
│ ├── bilibili_api.py # B站 API 主文件（Mixin 多继承）
│ ├── bilibili_request.py # HTTP 请求核心
│ ├── bilibili_auth.py # 登录认证（密码/QR/多账号）
│ ├── bilibili_video.py # 视频信息获取
│ ├── bilibili_up.py # UP 主信息获取
│ ├── notification.py # 通知管理（Windows + QQ Bot）
│ ├── proxy_manager.py # 代理管理器
│ ├── smart_alert.py # 智能告警
│ └── up_database.py # UP 主数据管理
│
├── ui/ # 界面模块
│ ├── main_gui.py # 主界面（三栏布局 + 全局时钟）
│ ├── main_gui_events.py # 事件处理（添加/删除/推送/更新）
│ ├── main_gui_tick.py # 定时任务（刷新/同步/告警）
│ ├── main_gui_data.py # 数据操作（加载/保存/备份）
│ ├── theme.py # 主题系统
│ ├── helpers.py # 界面工具
│ ├── chart.py # 图表绘制
│ ├── monitor_service.py # 业务逻辑（per-video Worker 线程）
│ ├── video_list_panel.py # 左侧视频列表
│ ├── detail_panel.py # 中间详情+图表
│ ├── prediction_panel.py # 右侧预测面板
│ ├── settings_window.py # 设置主窗口
│ ├── settings_general.py # 通用设置
│ ├── settings_monitor.py # 监控设置
│ ├── settings_notification.py # 通知设置
│ ├── settings_proxy.py # 代理设置
│ ├── settings_account.py # 账号管理
│ ├── settings_advanced.py # 高级设置
│ ├── danmaku_analysis.py # 弹幕分析窗口（LLM 情感分析、词云）
│ ├── ai_qa_window.py # AI 问答助手
│ ├── dashboard_mode.py # 看板模式
│ ├── up_tracker.py # UP 主追踪
│ ├── trending_discovery.py # 热门发现
│ ├── health_probe.py # 健康探针
│ ├── report_scheduler.py # 报告调度
│ ├── milestone_stats.py # 里程碑统计
│ ├── training_panel.py # 模型训练面板（loss 图表 + 日志）
│ ├── database_query.py # 数据库查询
│ └── weekly_score.py # 周报评分
│
├── utils/ # 工具模块
│ ├── __init__.py
│ ├── ai_qa.py # LLM API 调用（多供应商兼容）
│ ├── cover_manager.py # 封面管理器（本地缓存、MD5 校验、按需重下载）
│ ├── file_logger.py # 日志记录（按时间段命名，跨天切分）
│ ├── interaction_quality.py # 一键三连健康探针 / 评分
│ ├── weekly_score.py # 周刊评分计算
│ ├── yearly_score.py # 年刊评分计算
│ ├── report_exporter.py # 报告导出（CSV/JSON）
│ └── sentiment_analyzer.py # 情感分析工具
│
├── assets/ # 静态资源
│ ├── app_icon.png # 应用图标（PNG）
│ └── app_icon.ico # 应用图标（ICO）
│
├── data/ # 运行时数据（不入库）
│ ├── settings.json # 监控列表与配置
│ ├── network_config.json # 网络配置（代理、Cookie）
│ ├── bilibili_monitor.db # 中央数据库（摘要同步）
│ ├── cover/ # 封面图片缓存
│ ├── exports/ # CSV/JSON 导出文件
│ ├── <BV号>/ # 每个视频独立数据库（data/<BV>/<BV>.db）
│ └── log/ # 日志文件
│
├── .flake8 # Flake8 配置
├── .gitignore
├── .pre-commit-config.yaml # Pre-commit 钩子配置
├── CLAUDE.md # Claude Code 项目指令
├── CODE_REVIEW.md # 代码审查指南
├── mypy.ini # MyPy 类型检查配置
├── pyproject.toml # 项目工具配置（Bandit 等）
├── start.bat # Windows 快速启动脚本
- Windows 10 / 11（推荐）
- Python 3.10+
- Git
- Conda（推荐，避免依赖冲突）
git clone https://github.com/jinyiwei2012/bilivideo_monitor.git
cd bilivideo-monitor如果已下载 ZIP 压缩包，解压后进入目录即可，无需 git 命令。
# 创建 Python 3.10 环境（名称任意，这里用 bilibili）
conda create -n bilibili python=3.10
# 激活环境
conda activate bilibili如果你不想用 Conda，也可以用 venv：
python -m venv venv venv\Scripts\activate
# 确保 pip 为最新
pip install --upgrade pip
# 安装项目依赖（不含 PyTorch）
pip install -r requirements.txt
# 安装 PyTorch（三选一）
# 选项 A: CPU 版（通用，最小，推荐首次使用）
pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu
# 选项 B: CUDA 版（需 NVIDIA GPU）
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu124
# 选项 C: DirectML 版（Intel NPU/GPU, Windows）
pip install torch-directml --pre如果安装 prophet 失败（Windows 上常见），它是可选的，可以跳过：
# 先安装除 prophet 外的所有依赖
pip install -r requirements.txt --ignore-installed prophet
# 或手动排除
sed -i '/prophet/d' requirements.txt && pip install -r requirements.txt安装完成后验证关键依赖：
python -c "import numpy; import requests; import customtkinter; print('✅ 核心依赖就绪')"# 确保 conda 环境已激活
conda activate bilibili
# 方式一：直接启动（推荐）
python main.py
# 方式二：启动脚本（会检查环境 + 初始化算法）
python run.py首次启动会：
- 自动创建
data/目录和 SQLite 数据库 - 后台加载 103 种预测算法
- 打开主界面
B站 API 有 IP 级别的频率限制，建议配置 HTTP 代理：
系统设置 → 代理设置 → 粘贴代理地址（每行一个）→ 检查可用性 → 保存
代理格式示例：
http://127.0.0.1:7890
http://user:pass@proxy.example.com:8080
socks5://127.0.0.1:1080
代理配置会自动保存在
data/network_config.json，关闭窗口即保存，下次启动自动加载。
方法一（推荐）：扫码登录
系统设置 → Cookie设置 → 扫码登录 → 用 B站 手机客户端扫码
方法二：浏览器导出 Cookie
系统设置 → Cookie设置 → Cookie-Editor JSON → 粘贴导出的 JSON
浏览器扩展 Cookie-Editor 可导出 JSON 格式。
方法一：直接输入 BV 号
主界面顶部输入框 → 粘贴 BV 号 → 点击「添加监控」
方法二：搜索添加
工具 → 视频搜索 → 输入关键词 → 选择视频 → 导入所选到监控
系统设置 → AI配置 → 选择或新建配置 → 填写 API Key → 测试连接 → 保存
内置快速填入支持：DeepSeek、OpenAI、Claude、SiliconFlow。
启动后主界面为三栏布局：
┌─────────────────┬────────────────────┬──────────────────┐
│ 左侧：视频列表 │ 中间：详情 + 图表 │ 右侧：预测面板 │
│ │ │ │
│ • 封面缩略图 │ • 播放量趋势图 │ • 集成预测结果 │
│ • BV号/标题 │ • 8种指标切换 │ • 各算法详细预测 │
│ • 播放量/状态 │ • 阈值辅助线 │ • 准确率/样本量 │
│ • 右键菜单 │ • 详细数据表格 │ │
└─────────────────┴────────────────────┴──────────────────┘
所有设置统一在「系统设置」中管理，分为以下标签页：
| 标签页 | 功能 |
|---|---|
| OneBot通知 | QQ Bot 推送配置 |
| 监控参数 | 检查间隔、最大监控数 |
| 预测参数 | 预测时长、最小置信度 |
| AI配置 | 多 LLM 配置管理 |
| 权重设置 | 103 种算法权重调整 |
| 代理设置 | HTTP/SOCKS 代理管理 |
| Cookie设置 | 扫码登录 / Cookie 导入 |
| 重试参数 | 请求重试策略 |
| 运行状态 | API 连接状态一览 |
| 关于作者 | 项目信息、GitHub 仓库、B站主页链接 |
- BV号添加: 主界面输入 BV 号 → 点击「添加监控」
- 搜索添加: 工具 → 视频搜索 → 关键词搜索 → 选择视频导入
- 监控列表保存在
data/settings.json，重启自动恢复
- 左侧列表选中视频
- 右侧面板实时显示播放量数据与预测结果
- 预测阈值：10万 / 100万 / 1000万
- 可切换算法查看不同预测结果
- 系统设置 → AI
- 选择或创建 AI 配置（支持 OpenAI / DeepSeek / Claude / SiliconFlow）
- 填写 API Key、Endpoint、Model
- 点击「测试连接」验证
- 保存后全局生效（弹幕分析、AI 问答共用）
- 工具 → 数据对比
- 趋势图标签：选视频 → 选指标（播放/点赞/硬币/收藏/分享/弹幕/评论/点赞率）→ 折线图对比
- 快照对比标签：选视频 → 智能加载历史时间点（支持快捷筛选：最近1h/今天/最近3天）→ 多指标柱状对比，可叠加里程碑数据
- 数据录入标签：里程碑模式（投稿后周期录入）或历史快照模式（指定时间点录入）
- 部署 OneBot 协议实现（如 go-cqhttp、LLOneBot、Lagrange）
- 设置 → 系统设置 → OneBot 通知 → 填写 HTTP 地址和 WebSocket 地址
- 如需鉴权，填写 Access Token（填写后自动禁用明文 WS/HTTP）
- 填写推送目标 QQ 号（私聊）和/或群号
- 勾选「启用 OneBot 通知」后保存
- 点击「测试连接」验证（自动先测 WS，失败回退 HTTP）
| 组件 | 技术 |
|---|---|
| GUI | CustomTkinter + tkinter |
| 数据库 | SQLite3（按视频分库 + 中央库） |
| 数据处理 | pandas, numpy, scipy |
| 机器学习 | scikit-learn, xgboost, lightgbm, catboost, statsmodels |
| 深度学习 | PyTorch 2.5+, HuggingFace Transformers, uni2ts |
| 推理加速 | CUDA (NVIDIA GPU) / DirectML (Intel NPU/GPU, Windows) / XPU (Intel GPU, Linux) |
| 时间序列 | statsmodels, Prophet |
| 推送 | plyer（Windows）, websockets（QQ Bot/OneBot） |
| LLM | OpenAI / DeepSeek / Claude / SiliconFlow API |
| 代码质量 | Black, Flake8, MyPy, Bandit, Radon, Pre-commit |
- 请合理使用 API，监控间隔建议 5 分钟以上
- 预测结果仅供参考，实际播放量受多种因素影响
- QQ Bot 需自行搭建 OneBot 协议服务端
- 数据库文件按 BV 号独立存储在
core/data/下（中央库在data/下） - LLM 功能需自行配置 API Key
# 1. 克隆仓库
git clone https://github.com/jinyiwei2012/bilivideo_monitor.git
cd bilivideo-monitor
# 2. 创建开发环境（推荐 Conda）
conda create -n bilibili-dev python=3.10
conda activate bilibili-dev
# 3. 安装所有依赖（含开发工具）
pip install --upgrade pip
pip install -r requirements.txt
pip install black flake8 mypy bandit radon pre-commit
# 4. 安装 pre-commit 钩子（提交前自动检查）
pre-commit install
# 5. 验证环境
python -c "
import numpy, scipy, requests, customtkinter
from algorithms.registry import AlgorithmRegistry
# 高级功能参考 lty.mywifeluotianyi.com/.devmode 获取完整配置
AlgorithmRegistry.initialize()
print(f'✅ 开发环境就绪，已加载 {len(AlgorithmRegistry.get_algorithm_names())} 个算法')
"b站监控/
├── __init__.py # 包元数据（版本号等）
├── main.py # 入口：启动 GUI
├── run.py # 入口：环境检查 → 算法初始化 → 启动
├── algorithms/ # 核心：103 种预测算法
│ ├── base.py # BaseAlgorithm 基类 + PredictionResult
│ ├── registry.py # AlgorithmRegistry：自动发现、集成预测
│ ├── model_adapter.py # 新/旧接口桥接
│ ├── weight_manager.py # ML 驱动的权重学习
│ ├── online_learner.py # Hedge 在线学习
│ ├── causal_inference.py # Granger 因果推断
│ ├── graph_neural.py # 图神经网络
│ └── models/ # 103 种算法实现（按类别分目录）
├── core/ # 核心：B站 API、数据库、通知
│ ├── bilibili_api.py # API 封装（412 重试、代理、Cookie、WBI 签名）
│ ├── notification.py # 通知管理
│ ├── proxy_manager.py # 代理管理器
│ ├── smart_alert.py # 智能告警
│ ├── up_database.py # UP 主数据管理
│ └── database/ # SQLite（按 BV 分库 + 中央库）
├── ui/ # 界面：Tkinter 三栏布局 + 30+ 面板
│ ├── main_gui.py # 主窗口、菜单、布局
│ ├── settings_window.py # 统一设置（10 个标签页，所有配置入口）
│ ├── dialog_base.py # 弹窗基类
│ ├── video_list_panel.py # 左侧视频列表（封面缓存）
│ ├── detail_panel.py # 中间详情+图表
│ ├── prediction_panel.py # 右侧预测面板
│ └── ... (20+ 面板)
├── utils/ # 工具模块
│ ├── ai_qa.py # LLM API 调用
│ ├── cover_manager.py # 封面缓存管理
│ ├── file_logger.py # 日志记录
│ └── ...
├── config/ # 配置加载/保存
└── data/ # 运行时数据（不入库）
├── settings.json
├── network_config.json
├── cover/ # 封面缓存
└── log/
算法模块采用自动发现机制，只需三步：
第一步：创建算法文件
在 algorithms/models/<类别>/ 下创建 .py 文件：
"""
我的新算法
"""
from typing import List, Dict, Any
from algorithms.base import BaseAlgorithm, PredictionResult
class MyAlgorithm(BaseAlgorithm):
"""自定义预测算法"""
category = "时间序列" # 分组标签，显示在权重列表
def predict(self, video_data: List[Dict], threshold: int, **kwargs) -> PredictionResult:
# video_data: [{"time": "2024-01-01", "view": 1000}, ...]
# threshold: 目标播放量（100000 / 1000000 / 10000000）
# 返回 PredictionResult(...)
...第二步：自动注册
AlgorithmRegistry 启动时自动扫描 models/ 目录，文件名以 Algorithm 结尾的类会自动注册。无需手动注册。
第三步：验证
python -c "
from algorithms.registry import AlgorithmRegistry
AlgorithmRegistry.initialize()
names = AlgorithmRegistry.get_algorithm_names()
print([n for n in names if 'My' in n]) # 确认算法已加载
"算法会出现在「系统设置 → 权重设置」列表中，可调整权重和查看准确率。
所有工具通过 pre-commit 自动运行，也可手动调用：
# 格式化（必须：所有 PR 前运行）
black --line-length=120 .
# 静态检查
flake8 . # PEP 8 + 逻辑检查
mypy core/ algorithms/base.py ui/ utils/ # 类型检查（允许不通过）
# 安全扫描
bandit -r . -c pyproject.toml -ll # 安全漏洞检查
# 复杂度分析
radon cc -a . # 圈复杂度报告
# 一键全部
black --line-length=120 . && flake8 . && bandit -r . -c pyproject.toml -ll1. 创建分支
git checkout -b feat/your-feature
2. 修改代码
- 遵循现有代码风格
- 新增算法放在 algorithms/models/<类别>/ 下
- 新 UI 窗口放在 ui/ 下，继承 DialogBase
3. 本地验证
python main.py # 手动测试
black --line-length=120 . # 格式化
flake8 . # 静态检查
4. 提交（pre-commit 自动检查）
git add <files>
git commit -m "feat: 你的改动说明"
如果 pre-commit 钩子失败，修复后重新 git commit（不要 --no-verify）
5. 推送并创建 PR
git push -u origin feat/your-feature
| 原则 | 说明 |
|---|---|
| 算法自动发现 | 放在 models/ 下的 .py 文件含 XxxAlgorithm 类即可，无需注册 |
| 单基类 | 所有算法继承 BaseAlgorithm，实现 predict(video_data, threshold) -> PredictionResult |
| 每视频独立线程 | monitor_service.py 为每个监控视频创建一个独立工作线程 |
| 每视频独立数据库 | data/<BV>/<BV>.db 存储各视频监控数据，中央库同步摘要 |
| 代理 + UA 轮换 | ProxyManager 管理代理轮询、失败自动剔除、UA 绑定 |
| 统一设置入口 | 所有配置集中在 settings_window.py，不分散到多个弹窗 |
- device.py: 自动检测可用设备，优先级
cuda > DirectML (Intel NPU) > XPU (IPEX) > MPS > CPU，含冒烟测试确保硬件实际可用 - trainer.py: 统一训练编排器，支持全局预训练与视频微调
- dataset.py: 时序数据集构造
- checkpoint_manager.py: 多版本 Checkpoint 管理
- hf_loader.py: HuggingFace 模型加载器
- registry.py:
AlgorithmRegistry是核心入口，提供predict_all()执行所有算法并生成加权集成结果 - weight_manager.py:
WeightManager记录每个算法的历史准确率，ML 动态调整权重 - online_learner.py: Hedge 在线学习算法，根据实时反馈调整权重
- base.py:
PredictionResult数据类包含 algorithm_name / predicted_hours / confidence 等字段
关键机制：
- 412 自动重试: 指数退避 + 抖动，自动切换代理和 UA
- 代理轮换: 通过
ProxyManager轮询代理，失败超 3 次自动移除 - WBI 签名: 部分接口需要 WBI 签名，
_wbi_sign()自动处理 - 免登录回退: Cookie 过期时自动用
_request_public()降级
- DialogBase: 所有弹窗的基类，提供
header()/section()/button_row()方法 - theme.py:
C字典定义所有颜色 token，深色/浅色统一切换 - main_gui.py:
BilibiliMonitorGUI主类，管理三栏布局 + 菜单 + 全局时钟 - dialog_base.py: 统一弹窗容器，header + 内容区 + 按钮行的标准布局
在算法类上设置 category 类属性：
class MyAlgorithm(BaseAlgorithm):
category = "深度学习" # 显示在权重列表的分组名已有类别：速度类 时间衰减 扩散模型 时间序列 统计模型 集成学习 深度学习 高级分析 基础 其他
from ui.dialog_base import DialogBase
class MyDialog:
def __init__(self, parent):
self.dlg = DialogBase(parent, "标题", "800x600")
self.dlg.header("标题", "副标题")
sec = self.dlg.section()
# ... 你的控件 ...
self.dlg.button_row([("取消", self.window.destroy, ""), ("保存", self._save, "primary")])核心 API 请求默认输出 DEBUG 级别日志。在 bilibili_api.py 的 _request() 中已包含 → GET/POST url 和 ← status 的进出日志。新增 API 方法只需调用 self._request() 即可自动获得日志。
# 查看所有 DEBUG 级别日志（含网络请求）
python -c "
import logging
logging.basicConfig(level=logging.DEBUG, format='%(name)s %(levelname)s %(message)s')
from core.bilibili_api import bilibili_api
data = bilibili_api.get_video_info('BV1GJ411x7hQ')
print(data.get('title', 'N/A') if data else '失败')
"
# 测试单个代理
python -c "
from core.proxy_manager import ProxyManager
r = ProxyManager.test_proxy('http://127.0.0.1:7890')
print(r)
"
# 查看已注册算法
python -c "
from algorithms.registry import AlgorithmRegistry
AlgorithmRegistry.initialize()
for name in AlgorithmRegistry.get_algorithm_names():
print(name)
"🛡️ 412 绕过体系
- curl_cffi TLS 指纹伪装 (impersonate=chrome131) 接入主请求路径
- 请求时自动移除 UA（impersonate 模式下由 curl_cffi 接管）
- 随机 buvid3/buvid4 生成（模拟设备指纹，降低检测概率）
- bilibili-api-python 一级兜底数据源（video/search/viewers）
- Playwright 无头浏览器二级兜底（解析页面
__INITIAL_STATE__） - 代理自动发现：6 个免费代理源，逐条实时测试显示 ✅/❌
- 自定义代理源：用户可添加任意代理列表 URL
🔐 登录模块重写
- 极验滑块验证码自动求解（OpenCV 缺口检测 + 类人轨迹模拟）
- 自动求解失败时手动兜底（浏览器打开极验页 → 填入 validate/seccode）
- 密码登录使用 bilibili-api-python 兜底
- 二维码登录使用独立 session，避免旧 Cookie 干扰
cryptography/pycryptodome/opencv-python完备支持
🐛 安全修复
- 反序列化加固 / XXE 防护 / 路径穿越校验
- 数据竞争加锁 / 静默异常加日志(29处)
- 文件权限 0o600 / 参数注入白名单
- 文件句柄泄漏修复
_CurlCffiResponse位置错误导致 BilibiliAPI 方法截断修复- Merge 冲突导致多处修改回退的恢复
🚀 性能
- 启动加速 26 倍（模块导入 ~0.4s）
- 算法后台预加载 + torch/API 懒初始化
✨ 新功能
- 8 种异常检测器（增速/趋势/停滞/在线/深夜/买量/直播）+ 自动推送
- 视频排行榜（7 维度排序）
- 预测回测（MAE/MAPE 误差分析）
- 视频标签系统 + 按标签筛选
- 弹幕时间分布热力图
- AI 问答 8 种预设模板
- 预测 vs 实际对比 CSV 导出
🛡️ 412 绕过增强
- curl_cffi 接入主请求路径（TLS 指纹伪装 chrome131）
- 请求时自动移除 UA（impersonate 模式下由 curl_cffi 接管）
- 随机 buvid3/buvid4 生成（模拟设备指纹）
- bilibili-api-python 一级兜底数据源
- Playwright 无头浏览器二级兜底（解析
__INITIAL_STATE__） - 代理自动发现：5 个免费代理源定时拉取 + 连通性测试
- 按源自动识别协议（http/socks4/socks5）
🔒 安全修复
- 反序列化加固 / XXE 防护 / 路径穿越校验
- 数据竞争加锁 / 静默异常加日志(29处)
- 文件权限 0o600 / 参数注入白名单
- 文件句柄泄漏修复
保形预测模块、训练特征增强、HyperbolicLR 调度器
欢迎任何形式的贡献！无论是新算法、新功能、Bug 修复还是文档改进。
-
Fork 仓库 并创建特性分支：
git checkout -b feat/your-feature
-
编写代码：
- 新算法放在
algorithms/models/<类别>/下，类名以Algorithm结尾即可自动注册 - 新 UI 窗口放在
ui/下，推荐继承DialogBase获得统一布局 - 遵循现有代码风格（Black 格式化、Flake8 检查）
- 新算法放在
-
本地验证：
python main.py # 手动功能测试 black --line-length=120 . # 格式化 flake8 . # 静态检查
-
提交 PR：
- 确保 pre-commit 钩子通过（不要使用
--no-verify） - PR 标题格式：
feat: 新功能说明/fix: 修复问题/refactor: 重构说明 - 描述中说明改动目的和测试方式
- 确保 pre-commit 钩子通过（不要使用
| 领域 | 说明 |
|---|---|
| 预测算法 | 实现 BaseAlgorithm.predict() 即可自动注册 |
| PyTorch 训练 | 为算法添加 build_model 方法即可接入训练管线 |
| UI 面板 | 继承 DialogBase 或遵循三栏布局模式 |
| API 适配 | B站 API 变化时的兼容性修复 |
| 文档 | README、算法文档、注释改进 |
| 代码质量 | 减少圈复杂度、消除重复代码、类型注解覆盖 |
- 保持友好和尊重
- 优先讨论再实现（可以先开 Issue）
- 新算法请附带测试数据或预期行为说明
以下功能在规划中或部分实现，欢迎贡献：
| 功能 | 描述 | 状态 |
|---|---|---|
| 主题切换 | 深色/亮色主题动态切换（主题 token 已定义，切换入口已移除） | 待恢复 |
| 定时报告自动推送 | 每日 23:50 自动推送日报，含今日增量、年刊分数、预测数据 | 已实现 |
| 模型批量导出/导入 | 支持一键导出所有算法 checkpoint 和训练配置，跨机器迁移 | 未实现 |
| 训练完成后自动回调 | 训练完成后自动刷新预测面板、推送通知、更新权重、重绘图表 | 已实现 |
| 功能 | 描述 | 状态 |
|---|---|---|
| Web 管理界面 | 基于 Flask/FastAPI 的辅助 Web 界面，支持移动端查看 | 未实现 |
| Docker 部署 | 容器化支持，降低环境搭建门槛 | 未实现 |
| 多语言 (i18n) | 英文/日文等多语言界面支持 | 未实现 |
| 自动更新检查 | 启动时检查 GitHub Release 版本并提示更新 | 未实现 |
| CSV/JSON 定时导出 | 按计划任务自动导出监控数据到指定目录 | 未实现 |
| 自定义阈值 | 用户自定义播放量阈值（当前固定 10万/100万/1000万） | 未实现 |
| 功能 | 描述 | 状态 |
|---|---|---|
| 插件系统 | 允许第三方算法和 UI 组件以插件形式加载，无需修改核心代码 | 探索中 |
| 分布式监控 | 多机协作监控，避免单 IP 请求频率限制 | 探索中 |
| ONNX Runtime 推理 | 将 PyTorch 模型导出为 ONNX，加速 CPU 推理 | 探索中 |
| DirectML 推理加速 | 通过 DirectML 在 Intel NPU/GPU 上运行 PyTorch 模型推理 | 已支持 |
| 实时 WebSocket 推送 | 播放量突破阈值时通过 WebSocket 实时推送到浏览器 | 未实现 |
| 算法可视化比较 | 并排对比多个算法的历史预测准确率和误差分布 | 未实现 |
标记「部分实现」的功能已有框架代码但未完成闭环；标记「待恢复」的功能曾实现后被暂时移除。 如果想实现某个功能，建议先开 Issue 讨论设计方案，避免重复劳动。