新闻详情

新闻详情

首页 / 资讯中心 / 详情

GetQzonehistory:四步把 QQ 空间历史说说完整导成 Excel

发布时间:2026/11/4 17:05:06来源:尧图网络
GetQzonehistory:四步把 QQ 空间历史说说完整导成 Excel
GetQzonehistory四步把 QQ 空间历史说说完整导成 Excel【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/GetQzonehistoryQQ 空间没有官方导出入口账号一旦受限或消息列表被截短几年的说不声不响就没了。GetQzonehistory 是一个纯本地运行的 Python 工具扫码登录后自动抓取你的历史说说、评论、转发和配图整理成 Excel 与网页页数据全部落在你自己硬盘的resource/result/目录下不经过任何第三方中转。QQ 空间说说不备份的三个真实风险账号出问题最真实被盗、被误举报之后哪怕找回了账号互动消息列表往往已经被截短被切掉的部分没有客服通道可走。列表本来就是残本消息列表自身只保留部分记录等列表变短了再想抓服务器端的数据已经先于你的意识消失。图片链接是时效资源说说配图的原图链接寿命有限拖得越久后面越可能只拿到低清缩略图甚至一张图都拿不到。删除是单向的自己删掉的说说如果没留在消息列表里什么工具都拉不回来备份做得越早能捞回的越多。GetQzonehistory 的能力边界双入口覆盖与代价登录方式走 QQ 官方扫码流程全程不输密码凭证缓存在resource/user/下下次运行直接选择复用不用重复扫码。双入口覆盖一路抓互动消息列表含已删除但仍挂在列表上的说说一路抓当前全部可见说说含 2014 年之前的内容两路结果自动合并去重。采集节奏主程序每批 10 条分页、批间停顿 3 秒刻意压住速度防风控1000 条光排队间隔就要 5 分钟以上。中断保护按 CtrlC 或进程被杀时程序已注册信号处理先把抓到的数据写盘再退出不白跑。数据去向请求发出与页面解析的逻辑都在util/下的 RequestUtil.py、LoginUtil.py 等模块里本地发请求、本地落盘。对比维度手动截图 / 复制GetQzonehistory覆盖范围记起几条抓几条消息列表 可见说说双入口图片质量截图一层层压缩链接自动替换成高清原图评论互动基本丢失逐条落进 Excel 的独立列交付格式一堆散图在手机相册Excel 网页版可搜索可筛选可重复性做过就过不了第二遍随时重跑补齐缺失登录环节要输入账号密码扫码授权凭证本地复用先看产出你会拿到哪些 Excel 与网页文件所有成果落在resource/result/你的QQ号/目录一个 QQ 号一个子文件夹文件内容QQ号_全部列表.xlsx全部互动消息的完整时间线QQ号_说说列表.xlsx你自己发布的原创说说QQ号_转发列表.xlsx你转发过的内容QQ号_留言列表.xlsx收到的留言记录QQ号_好友列表.xlsx互动过的好友昵称、QQ 号、空间主页链接QQ号_其他列表.xlsx未归入以上分类的其余内容QQ号_说说网页版.html还原空间样式的可视化页面pic/说说配图按内容归档两处命名细节值得知道。其一pic/下的图片直接用说说正文做文件名特殊字符被剔除、超过 40 个字符就截断重名时自动加时间戳后缀看一眼名字就知道图属于哪条动态。其二下载时程序会把图片链接改写成高清版本而不是留着列表页返回的缩略图。另外单独跑 fetch_all_message.py 做可见说说全量导出时会多出一个resource/fetch-all/目录一份完整时间线所有可见说说.md图片按说说编号tid命名能一直翻到 2014 年之前。四步跑通 QQ 空间说说导出第一步拉取项目并建隔离的虚拟环境虚拟环境把依赖隔离在独立目录里运行的 Python 机制的作用是让这套工具的依赖和你电脑上其他 Python 项目互不打架。git clone https://gitcode.com/GitHub_Trending/ge/GetQzonehistory cd GetQzonehistory python -m venv myenv⚠️ 避坑激活命令分系统——Windows 执行myenv\Scripts\activatemacOS/Linux 执行source myenv/bin/activate两条别混用。第二步一条命令装齐全部依赖requirements.txt里的核心包分工明确requests发网络请求beautifulsoup4解析页面结构pandas把数据整理成表格qrcode生成登录二维码tqdm画进度条。source myenv/bin/activate pip install -r requirements.txt 小提示登录环节的二维码解码依赖系统级的zbar共享库它不随 Python 包装进来——macOS 先执行brew install zbarLinux 用发行版包管理器装 zbar否则启动时会直接报“无法找到 zbar 共享库”。第三步扫码登录并运行主程序终端里会打印一个字符拼成的二维码用手机 QQ 扫一下、点确认即完成授权。登录成功后程序先读取消息总数再按每批 10 条的节奏分页抓取批间停顿 3 秒进度条走完后自动分类、下载图片、生成网页版页面并打开结果文件夹。python main.py⚠️ 避坑中途想停直接按 CtrlC已有数据会先保存再退出不会白跑。说说多的账号每 1000 条预留约 300MB 磁盘图片是大头并挑网络好的时段运行。第四步补跑可见说说全量导出消息列表够不到 2014 年之前的内容这一步单独按每页 30 条抓当前全部可见说说复用已登录的凭证不用再次扫码。python fetch_all_message.py常见问题速查症状、原因与解法启动即报“无法找到 zbar 共享库”pyzbar解析二维码的库依赖系统 zbar而 pip 装不到它。按上面提示装好 zbar 后重跑即可。二维码失效、扫码没反应码有有效期或登录请求被代理工具拦截。重跑python main.py生成新码保持电脑和手机网络通畅。进度条里某一批失败程序会自动跳过该批继续抓数据缺了但没坏重跑一次即可补齐缺口。Excel 打不开多半是文件正被 WPS 或 Office 占用关掉对应窗口再打开仍不行就用 pandas 重新读取.xlsx验证内容是否完整。图片少了几张个别图片下载失败属正常现象批间 3 秒停顿是防封设计不是卡死别急着重启重跑一次会自动补抓漏掉的图。已登录过想换账号程序启动时会列出已缓存的用户输入序号直接选用输入0强制重新扫码登录。数据到手后还能玩的三个方向拼个人时间线把“全部列表”按年份筛选城市轨迹、互动峰值、深夜感慨的拐点比任何年度报告都可靠。画社交图谱用 Excel 数据透视表统计每个好友的互动频次和最近活跃时间谁还在、谁已淡出数据直接给答案。多介质存档网页版 HTML 转成 PDF连同 Excel 放网盘一份、移动硬盘一份电子文件只有多位置存放才稳。确认数据无误后照这份清单执行克隆项目并创建虚拟环境安装全部依赖运行python main.py并扫码登录等进度条走完检查resource/result/目录如需 2014 年前的内容补跑python fetch_all_message.py把导出结果复制到至少两个不同的存储位置这份备份安静地躺在硬盘里像一把你希望永远用不上的备用钥匙——真到那天它就是唯一能重新打开那扇门的。【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
📞 ✉