新闻详情

新闻详情

首页 / 资讯中心 / 详情

Bangumi 第三方客户端安装指南:三分钟跑起 bgm.tv 追番应用

发布时间:2026/11/12 8:54:53来源:尧图网络
Bangumi 第三方客户端安装指南:三分钟跑起 bgm.tv 追番应用
Bangumi 第三方客户端安装指南三分钟跑起 bgm.tv 追番应用【免费下载链接】Bangumi:electron: An unofficial https://bgm.tv ui first app client for Android and iOS, built with React Native. 一个无广告、以爱好为驱动、不以盈利为目的、专门做 ACG 的类似豆瓣的追番记录bgm.tv 第三方客户端。为移动端重新设计内置大量加强的网页端难以实现的功能且提供了相当的自定义选项。 目前已适配 iOS / Android。项目地址: https://gitcode.com/GitHub_Trending/ba/BangumiBangumi 第三方客户端是一个基于 React Native 构建的 bgm.tv 移动端应用同时适配 iOS 和 Android无广告、以爱好驱动、不以盈利为目的。bgm.tv 本身是管理追番进度的社区网站网页端功能受限、加载偶尔缓慢这个客户端为移动端重新设计了布局已开发不少于 100 个页面覆盖网站几乎所有核心功能。跑起来之后你可以在手机上管理动漫、音乐、日剧、游戏的追番进度查看条目详情与时间线阅读乐园帖子并通过客户端内置的数据中间层在网页端不稳定时正常获取数据。它能做什么Bangumi 客户端三个真实使用场景第一个场景是通勤路上更新追番进度。番组进度管理、条目与角色详情、时光机、用户空间都搬到了 App 里进度更新、打分、写日志都不需要切回浏览器。第二个场景是社区阅读与发现。时间线、乐园帖子、每日放送、排行榜、新番目录、年鉴都能浏览还支持多规则超展开屏蔽和用户拉黑信息流可以自己定制。第三个场景是管理本地片库。客户端提供本地文件夹条目管理支持 SMB 挂载与罗马音刮削配合照片墙、词云、小圣杯等扩展功能比网页端多出一整层移动端专属体验。三分钟跑起来Bangumi 客户端安装与构建命令环境准备很简单Node.js建议 LTS、yarnAndroid 方向需要 Android Studio 与 Java JDKiOS 方向需要 Xcode 并安装 Expo 客户端。仓库默认提交的是 iOS 环境的配置Android 开发前要先切环境。克隆仓库并进入项目目录git clone https://gitcode.com/GitHub_Trending/ba/Bangumi cd Bangumi把开发环境切到 Android 并安装依赖。yarn env是项目自带的多环境切换脚本会替换package.json和node_modulesyarn安装后会自动应用 patch-package 补丁。iOS 用户跳过第一步在根目录直接yarn即可yarn env android yarn连接手机 USB 并允许调试授权后启动开发模式。Android 环境下yarn dev会执行expo run:android直接编译到真机iOS 则用 Expo 客户端扫描连接yarn dev跑起来之后平台差异与进阶配置你还可以把其他站点的数据同步过来。客户端支持将 bilibili、豆瓣的追番数据有限同步到 bgm.tv多平台的记录能归到一处封面图片与大部分脱敏静态数据走自费的 CDN 中间层网页端慢或挂掉时 App 仍能正常展示。主题方面应用内置明暗两套主题与相当的自定义选项细节可以参考 README 里的功能清单。如果你要出 Android 安装包而不是跑调试版先阅读 android/README.MD自行生成my-release-key.keystore放到android/app/把gradle_yours.properties重命名为gradle.properties并填写密钥信息可能还要手写local.properties指定 SDK 路径之后执行yarn build即可产出 APK。iOS、Android、Web 三套环境的依赖差异和补丁管理规则统一说明在 packages/README.md。注意主分支以 iOS 环境为准改动后提交前记得切回 iOS 环境。可能踩到的坑常见报错与排查方向如果看到spawnSync adb ENOENT先检查 adb 是否在 PATH 中也就是 Android SDK 的 platform-tools 目录有没有配置进环境变量并确认手机已完成一次 USB 调试授权。如果打包时出现 read timeout 或依赖拉不下来先检查网络连通性。gradle 的依赖缓存只有 24 小时跨天构建失败时可以用--offline参数重试确认是依赖缓存问题还是网络问题。如果 Android 构建失败且不确定原因先确认两件事安装的是 JDK 而不是 JRE以及是否安装了 watchman否则会遇到监听文件过多的错误。确认无误后进入android目录执行./gradlew clean再重新打包能清掉大部分缓存导致的异常。Bangumi 的价值在于把追番记录从网页工具变成了随身的日常应用功能完整度和移动端体验都远超网页版。想继续了解功能细节与开发环境说明建议直接阅读仓库里的 README.MD。【免费下载链接】Bangumi:electron: An unofficial https://bgm.tv ui first app client for Android and iOS, built with React Native. 一个无广告、以爱好为驱动、不以盈利为目的、专门做 ACG 的类似豆瓣的追番记录bgm.tv 第三方客户端。为移动端重新设计内置大量加强的网页端难以实现的功能且提供了相当的自定义选项。 目前已适配 iOS / Android。项目地址: https://gitcode.com/GitHub_Trending/ba/Bangumi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 2026/11/11 13:52:51

【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 2026/11/10 19:42:40

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 2026/11/11 9:31:44

【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 ... 2026/11/11 5:36:08

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 2026/11/11 15:37:39

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
📞 ✉