新闻详情

新闻详情

首页 / 资讯中心 / 详情

GetQzonehistory:扫码一次,3步导出QQ空间全部历史说说

发布时间:2026/11/4 16:33:34来源:尧图网络
GetQzonehistory:扫码一次,3步导出QQ空间全部历史说说
GetQzonehistory:扫码一次,3步导出QQ空间全部历史说说【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翻QQ空间时,很多老说说已经翻不到底,想完整留档却只能手动一条条截图。GetQzonehistory 就是为这个场景准备的:它模拟登录QQ空间,自动抓取账号下所有可见的历史说说,并整理成 Excel 表格、图片和一个仿QQ空间样式的网页,让你不用写代码也能给自己多年的动态做一份完整备份。工具定位GetQzonehistory 是一个用 Python 写的命令行工具,核心能力是抓取你QQ空间里所有可见、未删除的历史说说,并导出成 Excel 表格、图片以及一个仿QQ空间界面的网页。它适合想给自己空间动态做一次归档的普通用户,会扫码、会复制命令就能用。技术栈以 requests pandas BeautifulSoup 为主,分别负责发请求、解析页面和导出表格。它是怎么工作的扫码登录。运行后程序会先在终端打印一个二维码,用手机QQ扫一下完成授权,登录成功后把会话凭证缓存到resource/user/目录。下次再运行会直接列出已登录账号让你选,不用重复扫码。这段逻辑在 util/LoginUtil.py。分批抓数据。程序先估算消息总数,再每 10 条一批地拉取历史消息列表,每批之间停顿几秒,避免触发频控;同时补充抓取未删除的可见说说,可追溯到 2014 年以前。这一步由 util/RequestUtil.py 和 util/GetAllMomentsUtil.py 完成。分类导出。抓到的数据会区分成说说、转发、留言、好友列表等,分别写成 Excel;说说里的图片下载到本地pic/文件夹,并额外生成一个仿QQ空间界面的 HTML 网页,方便直接浏览。从克隆到出数据第一步,克隆仓库并装好依赖,环境准备和依赖安装合并成一段命令:git clone https://gitcode.com/GitHub_Trending/ge/GetQzonehistory cd GetQzonehistory python -m venv myenv source myenv/bin/activate pip install -r requirements.txt第二步,运行主程序并在终端里扫码授权:python main.py程序会在终端打印登录二维码,用手机QQ扫一下即可。首次登录成功后凭证会缓存,之后重跑不用再扫。第三步,等待抓取。抓取过程带进度条,每批会暂停几秒,数据量大时可能要等一段时间,建议保持窗口开着让程序跑完,不要反复中断。第四步,查看结果。结束后程序会自动打开resource/result/下以你QQ号命名的文件夹,里面就是导出的全部内容。导出数据长什么样结果都放在resource/result/{你的QQ号}/目录里。核心是一组 Excel 表格,分别记录全部消息、你的说说、转发、留言和好友列表,每行对应一条内容,带时间、文字、图片链接和评论;说说的图片会单独存进pic/文件夹;另外还生成一个{QQ号}_说说网页版.html,用浏览器打开就是一条条带图带评论的动态,和QQ空间里看到的样子接近。三个值得试的场景按年份翻出旧说说——打开{QQ号}_说说列表.xlsx,按时间列筛选某一年的记录,就能集中看到那年发过什么。把留言导出成博客草稿——留言列表里存了别人给你留下的内容和时间,稍作整理就能搬进自己的博客或笔记软件。留一份高清图片合集——pic/文件夹把说过里的图都存了下来,配合全部列表里的图片链接,能找回早年间已经翻不到的照片。你需要知道的边界只能拿到可见且未删除的数据。设成仅自己可见、或已经被删掉的说说,消息列表里没有,工具也取不到。速度受限于反爬。程序内置了每批停顿几秒的限流,数据多的大号可能要等较久,中途不宜反复中断。图片可能下不全。部分图片链接若已失效,对应的pic/文件会缺失,Excel 里仍会保留原链接。用途请限于备份自己的QQ空间数据,遵守QQ空间相关规则,不要用来抓取他人隐私。第一次跑的话,先按上面的四步走到扫码那一步,确认终端里的二维码能正常显示、手机扫得上,再让它慢慢把数据拉完。跑完去resource/result/目录翻一翻,基本就能给自己多年的空间动态留一份完整底稿了。【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 2026/11/3 12:09:38

【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
📞 ✉