新闻详情

新闻详情

首页 / 资讯中心 / 详情

QQ空间说说如何全量备份?GetQzonehistory使用指南

发布时间:2026/11/4 12:21:27来源:尧图网络
QQ空间说说如何全量备份?GetQzonehistory使用指南
QQ空间说说如何全量备份GetQzonehistory使用指南【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说说和评论已在平台沉淀多年一旦账号异常或页面改版历史数据可能无法再取回。GetQzonehistory 是一款QQ空间说说备份工具扫码登录后自动把可见的历史说说抓取、分类并导出为 Excel 与 HTML 报告适合没有任何编程基础、想把数字记忆导出的普通用户。 先说结果备份完你手里有什么一次运行产出一整套存放在 resource/result/ 目录下的文件以QQ号命名归档相当于把那个空间的说说档案完整搬一份到本地硬盘{QQ号}_全部列表.xlsx完整互动消息列表{QQ号}_说说列表.xlsx本人发布的说说{QQ号}_转发列表.xlsx本人转发的内容{QQ号}_留言列表.xlsx好友留下的评论留言{QQ号}_其他列表.xlsx与自己互动相关的好友说说{QQ号}_好友列表.xlsx互动中出现过的昵称、QQ、空间主页{QQ号}_说说网页版.html还原QQ空间网页版页面浏览器打开即可浏览说说、图片和评论pic/ 目录说说中的图片文件按说说内容命名重名自动加时间戳Excel 各表统一按时间、内容、图片链接、评论分列留言列表和其他列表不含评论列可直接用表格软件筛选、归档。运行结束后程序会自动打开结果目录并打印各列表的总条数。 快速上手三步拿到备份整个过程只需要三条命令全程不需要输入账号密码。获取代码并进入目录git clone https://gitcode.com/GitHub_Trending/ge/GetQzonehistory cd GetQzonehistory创建虚拟环境并安装依赖requirements.txt 已锁定版本python -m venv myenv # Windows: .\myenv\Scripts\activate macOS/Linux: source myenv/bin/activate pip install -r requirements.txt运行主程序终端会生成登录二维码用手机QQ扫描python main.py登录成功后开始抓取消息列表按每批10条请求、批次间隔暂停3秒说说列表每页30条分页拉取终端全程有进度条和计数显示。⚙️ 它背后是怎么工作的整体流程是一条线扫码登录 → 分类抓取 → 本地落盘三个阶段全部在本机完成没有中间服务器。扫码登录util/LoginUtil.py 向QQ官方登录接口申请二维码并在终端渲染登录成功后把会话信息写入 resource/user/再次运行时终端会列出已登录用户可直接选择无需重扫分类抓取util/RequestUtil.py 分批拉取历史消息列表util/GetAllMomentsUtil.py 分页拉取全部可见未删除说说两条来源合并去重本地落盘main.py 的 save_data 函数写出 6 个 Excel 文件、生成网页版 HTML并把图片链接逐个下载进 pic/ 目录 几个值得了解的设计断点续传中断不丢数据main.py 注册了信号处理手动退出时会先把已抓取的数据落盘说说数据还会缓存在 resource/fetch-all/{QQ号}/ 的 JSON 文件中重跑时直接复用缓存。纯本地处理数据不出机器会话、中间缓存、结果全部写入 resource/ 下的本地目录代码中不存在任何第三方上传逻辑备份完成后可随时清理登录缓存。Excel/HTML 双输出同一份数据两种用途Excel 便于筛选、排序、做统计网页版 HTML 便于直接浏览和分享生成 HTML 时图片链接会自动替换为高清版本。 更适合谁用工具本身没有额外配置项不同使用场景的差异主要体现在结果怎么用适用情况建议做法注意毕业、换设备想把说说和图片带走完整备份一次把 resource/result/ 拷到网盘仅自己可见的说说不在消息列表中无法抓取账号长期不用担心被回收先运行一次 main.py 保住数据备份完成后删除 resource/user/ 下的登录缓存想给家人翻看旧说说用浏览器打开网页版 HTMLHTML 中的图片引用原网络链接查看时需联网想统计每年发了多少条用说说列表 Excel 按时间列分组计数时间列格式为YYYY年MM月DD日 HH:MM便于转换 隐私怎么保障登录走QQ官方扫码通道全程不向工具输入密码会话信息仅写入本地 resource/user/结果仅写入 resource/result/代码中无第三方数据上传resource/fetch-all/、resource/temp/ 等中间缓存只包含本机数据可随时删除源码完全公开util/ 目录下 5 个文件可完整追溯数据流向❓ 常见问题Q1备份需要多长时间消息列表每批10条、批次间隔3秒说说每页30条分页拉取总时长与说说总条数成正比终端有进度条可实时观察。Q2能备份多个QQ号吗可以。第二次及以后运行终端会列出已登录用户直接选择对应QQ号即可也可输入0重新扫码各号结果存放在以QQ号命名的独立目录互不覆盖。Q3中断后重跑会重复抓取吗说说数据缓存在 resource/fetch-all/ 下重跑时读取缓存而不重复请求运行中手动退出时内存里已有的数据也会被立即落盘。Q4必须自己搭Python环境吗仓库 release 页面提供已打包的单文件可执行程序下载即可直接运行如需查看或修改逻辑再使用源码版本。建议现在先完整备份一次把 resource/result/ 目录整体存入网盘数据在自己手里后续怎么用都从容。【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 2026/11/3 7:07:39

【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 ... 2026/11/3 12:09:41

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
📞 ✉