新闻详情

新闻详情

首页 / 资讯中心 / 详情

Jackett 完整指南:如何快速把上百个种子站接入你的下载流程

发布时间:2026/11/10 7:43:24来源:尧图网络
Jackett 完整指南:如何快速把上百个种子站接入你的下载流程
Jackett 完整指南:如何快速把上百个种子站接入你的下载流程一句话定位:Jackett 是一个开源的 Torznab 代理服务器,把上百个公共、半私人和私人种子站统一在一个 Web 后台里管理,让 Sonarr、Radarr 等应用只用一套标准接口就能完成跨站搜索与自动下载。如果你用过 Sonarr 或 Radarr,大概率已经接触过 Jackett——一个把标准 Torznab 查询翻译成各站点专属请求的轻量代理。手动访问十几个站点逐个搜索、再逐个核对失效链接的流程,可以由它一次性接管:你在它这里配置一次站点,应用端只需接入一个 API,结果就以统一格式聚合返回。本文按安装 → 配置 → 用法 → 搭配的顺序,把新手最常卡住的环节讲清楚。快速上手:Jackett 安装与初始配置结论:从源码构建到可用只需三步命令加一次密码设置。第 1 步:克隆仓库。需要先安装 .NET 9 SDK,克隆后进入目录:git clone https://gitcode.com/GitHub_Trending/ja/Jackett cd Jackett第 2 步:构建项目。执行dotnet build完成编译。第 3 步:启动服务。运行dotnet run --project src/Jackett.Server,服务默认监听 9117 端口。第 4 步:初始配置。浏览器打开http://localhost:9117,在设置页填写并保存管理员密码,右上角可见本次实例的 API Key,直接复制备用。第 5 步:添加第一个索引器。在首页点 Add indexer,选择站点类型,按表单填入账号或 Cookie 即可。核心功能解析索引器统一管理:一个后台管住全部站点结论:所有已配置的站点集中展示,加站、测试、取 Feed 都在同一张列表里完成。这张页面列出全部已配置索引器,每行用 Public / Semi-Private / Private 标签标明站点级别。每行右侧的操作按钮区可以复制三种格式的订阅链接(Copy RSS Feed、Copy Torznab Feed、Copy Potato Feed),也可以直接删除或编辑某个站点。具体操作:点击 Add indexer 选一个站点填好凭据,再点该行末尾的 Test 按钮,出现绿色对勾即代表连通成功。跨站手动搜索:一次查询聚合多站结果结论:不接任何应用时,Jackett 自身就是一个跨站搜索框,结果按统一字段排好序。顶部搜索区支持三组过滤:Query 输入关键词,Tracker 下拉框限定参与搜索的站点,Category 下拉框按 Torznab 分类(如 2000 Movies)收窄范围,查询类型可选文本或 IMDB ID。搜索结果表统一展示发布时间、来源站点、资源名、大小、分类、种子数(G/S/L)等字段,表头注明了每个站点的命中条数与耗时。具体操作:输入关键词后,点结果最右侧的下载图标,Jackett 会把对应 .torrent 文件写入你配置的 Blackhole 目录,可直接被下载客户端监听。系统配置:缓存与代理参数集中调整结论:端口、绑定地址、代理、缓存策略全部在一张表单里,改完点 Apply server settings 立即生效。表单上半区是访问控制:管理员密码、Base path、服务器端口(默认 9117)、本地绑定地址(默认 127.0.0.1)和 External access 开关,决定谁能从哪里访问本服务;中部是 Proxy 四项,用于给请求套一层代理;下半区是性能相关:Cache TTL(默认 2100 秒)、每个索引器缓存上限(默认 1000 条),以及 FlareSolverr 和 OMDb 两个可选集成。具体操作:如果你要改端口,填写后必须点顶部的 Apply server settings,否则只改了输入框、服务仍在用旧配置。工作原理:Torznab 与 TorrentPotato 协议结论:Jackett 本身不存任何资源,它做的是请求翻译 结果归一这一件事。整个数据流是单向的:应用发出标准 Torznab 查询(例如按关键词或 IMDB ID 搜索)→ Jackett 根据索引器定义,把查询改写成目标站点自己的表单或 API 请求 → 解析站点返回的 HTML 或 JSON → 转回统一的 XML/JSON 结果交还给应用。每个站点怎么翻译由一份 YAML 定义文件描述,存放在 src/Jackett.Common/Definitions/ 目录,这也是新增站点支持只需加配置文件的原因。项目默认值 / 说明服务端口9117对外协议Torznab、TorrentPotato缓存 TTL2100 秒(约 35 分钟)单索引器缓存上限1000 条索引器定义YAML,位于src/Jackett.Common/Definitions/实战搭配:与 Sonarr、Radarr 联动场景一:剧集自动追更(场景 → 搭配工具 → 效果)搭配 Sonarr qBittorrent:新集上线后全自动入库,你只负责追剧。在 Jackett 首页为目标站点复制 Copy Torznab Feed 链接;Sonarr 的 Indexers 页面新建 Torznab 类型,粘贴链接和 API Key;在 Jackett 设置页把 Blackhole directory 指向 qBittorrent 的监听文件夹;添加剧集开始追踪,之后 Sonarr 经 Jackett 查到新集即自动投递下载。场景二:电影资源管理搭配 Radarr:配置方式和 Sonarr 完全一致,补片、升级分辨率均由 Radarr 经 Jackett 自动完成,区别只在匹配规则按电影标题走。场景三:音乐与书籍的垂直需求搭配 Lidarr 或 Readarr:同一批索引器无需重复配置,直接复制 Torznab 链接接入即可,一个 Jackett 实例同时服务所有 *arr 应用。避坑问答Q:启动后,局域网里其他设备打不开页面?A:默认只绑定 127.0.0.1,仅本机可达。需要在设置页勾选 External access 并把 Local bind address 改为 0.0.0.0,然后点 Apply server settings。Q:某个站点点 Test 一直失败,是什么原因?A:常见两类:一是站点要求登录后 Cookie 过期或密码变更,重新填写凭据即可;二是站点有 Cloudflare 等反爬验证,Jackett 自身过不了,需在设置页配置 FlareSolverr 的 API URL,由它代为处理验证。Q:为什么反复搜索返回同一批结果?结果不是最新的?A:这是内置缓存在工作:同一查询在 TTL(默认 2100 秒)内直接返回缓存,避免高频请求被站点封禁。需要绕开缓存拿最新结果时,在 Torznab 查询后附加cachefalse参数。总结Jackett 的价值在于把每个站点一套接口的维护成本收敛到一个进程里:索引器定义、缓存、代理与 Feed 生成都在一处管理,应用端只接一个 API。更多细节建议直接阅读仓库内的 README.md 安装章节与 CONTRIBUTING.md,索引器的完整支持列表也以 README 为准。创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/10 4:49:37

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/9 8:37:19

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/10 9:14:31

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/10 1:10:29

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/10 15:15:31

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/10 17:14:10

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉