新闻详情

新闻详情

首页 / 资讯中心 / 详情

QQ空间数据导出:3 步把全部历史说说本地归档

发布时间:2026/11/4 17:46:30来源:尧图网络
QQ空间数据导出:3 步把全部历史说说本地归档
QQ空间数据导出3 步把全部历史说说本地归档【免费下载链接】GetQzonehistory获取QQ空间发布的历史说说项目地址: https://gitcode.com/GitHub_Trending/ge/GetQzonehistory你想翻出大学毕业当晚发的那条说说打开空间后时间线越往上刷越卡翻到后来干脆放弃了。开源项目 GetQzonehistory 替你完成 QQ空间数据导出手机扫个码它自动翻完你的历史消息列表把可见的说说、图片和评论整理成 Excel 表格和还原空间原样式的网页。所有文件都存在你自己的电脑上不经过任何第三方服务器。 导出结果在哪看你最终拿到什么跑完之后结果统一放在项目目录的resource/result/你的QQ号/下一次 QQ空间数据导出会得到这些文件文件内容QQ号_全部列表.xlsx全部历史消息总表时间、内容、图片链接、评论QQ号_说说列表.xlsx你本人发布的每条说说QQ号_转发列表.xlsx你转发过的内容QQ号_留言列表.xlsx好友留给你的留言QQ号_其他列表.xlsx消息流里的其他互动内容QQ号_好友列表.xlsx互动过的好友昵称、QQ 号、空间主页QQ号_说说网页版.html还原空间原样式的个人时间线浏览器直接打开pic/说说配图逐张下载后的本地图片目录运行结束时终端还会打印统计消息总数、最早一条说说发布时间、好友数并自动帮你打开结果文件夹。 如何拿到结果最快 3 步配置方法拿代码git clone https://gitcode.com/GitHub_Trending/ge/GetQzonehistory cd GetQzonehistory装依赖python -m venv myenv source myenv/bin/activate pip install -r requirements.txtWindows 把激活命令换成myenv\Scripts\activate。依赖不多三样主力各管一摊requests发网络请求pandas生成 Excelbeautifulsoup4解析空间返回的页面。运行python main.py启动后终端打印二维码手机 QQ 扫一下就算登录完成随后自动开始拉取。 原理不复杂扫码登录、分页拉取、解析落盘整个过程三段式你全程不用手动碰数据。登录在本地完成。二维码交互逻辑都在 util/LoginUtil.py 里走的是官方扫码通道你的 QQ 密码根本不经过程序。登录成功的凭证会缓存在resource/user/下下次运行直接选用户号不重新扫码。拉取有节奏。登录成功后 main.py 以每页 10 条、页间间隔 3 秒的节奏翻历史消息列表终端有进度条能看见它走到第几页。解析和保存全自动。每条消息被拆出发布时间、正文、图片链接、评论内容和互动好友信息再按类型写入多张 Excel拼成带样式的 html配图逐张下到pic/目录。能导出什么、不能导出什么先划清楚边界再决定要不要跑。导出范围是当前可见且未删除的内容。你删掉的说说在服务端已经没了工具找不回来。设置为仅自己可见的说说不会出现在消息列表里同样不在导出范围内。所有请求和数据都落在你的电脑上没有任何内容上传到第三方。合规红线只有一条这个工具只适合保存你自己空间里的内容别把它指向别人的账号导出数据也不要用于商业用途。遵守 QQ 平台的服务条款即可。❓ 常见问题跑到一半断了怎么办中途停掉了数据会丢吗不会。程序里注册了信号处理你手动结束进程时已拉到的部分会先自动存成 Excel之后随时重新运行即可。需要输入 QQ 密码吗不需要官方扫码登录扫一下就算完成。去年删掉的那条还能找回来吗不行导出只覆盖当前可见且未删除的内容。时间线会加载不动硬盘里的文件不会。把散落多年的说说一次性搬进自己的硬盘。【免费下载链接】GetQzonehistory获取QQ空间发布的历史说说项目地址: https://gitcode.com/GitHub_Trending/ge/GetQzonehistory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 2026/11/4 15:56:54

【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 2026/11/3 12:09:35

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 2026/11/4 17:01:23

【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 ... 2026/11/4 12:33:12

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 2026/11/4 1:25:31

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 2026/11/4 3:51:11

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
📞 ✉