新闻详情

新闻详情

首页 / 资讯中心 / 详情

3 条命令搞定 GetQzonehistory:把 QQ 空间历史说说备份到本地

发布时间:2026/11/4 11:41:44来源:尧图网络
3 条命令搞定 GetQzonehistory:把 QQ 空间历史说说备份到本地
3 条命令搞定 GetQzonehistory把 QQ 空间历史说说备份到本地【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你想把前几年在 QQ 空间发的说说存下来但网页上一条条翻不现实官方也没有批量导出入口。GetQzonehistory 是一款免费开源的 QQ 空间说说备份工具手机 QQ 扫个码、不输密码就能把历史说说、转发、留言和图片一次性抓到本地。 最快跑起来两组命令加一次扫码进项目目录建个虚拟环境推荐安装依赖后直接运行git clone https://gitcode.com/GitHub_Trending/ge/GetQzonehistory cd GetQzonehistory python -m venv myenv激活环境Windows 执行myenv\Scripts\activatemacOS/Linux 执行source myenv/bin/activate然后pip install -r requirements.txt python main.py终端会打印二维码用登录着 QQ 的手机扫一下即可全程不用输密码。登录成功后自动开始抓取每批 10 条、批间隔 3 秒终端有实时进度条几千条说说可能跑十几分钟放着别动就行。不想配环境的话release 页面有打包好的单文件下载直接运行。 跑完得到什么它怎么工作程序结束后会自动打开你的 QQ 号文件夹成果都在resource/result/你的QQ号/下六个 Excel 文件说说列表、转发列表、留言列表、好友列表、全部列表、其他列表、一个存放所有说说配图的pic/目录还有一个QQ号_说说网页版.html双击就能像刷空间一样回看。它的工作方式不复杂扫码登录拿到本次会话凭证然后按批翻 QQ 空间的历史消息列表、解析出时间和内容再归类写进各张 Excel逐张下载配图最后拼出一个本地网页。抓取、解析、保存全部在本机完成。⚙️ 值得调的地方保存路径resource/config/config.ini里的temp、user、result三项分别控制缓存、登录信息、导出结果的存放位置。想把备份放到别的盘改一下result再运行即可。抓取节奏每批条数和 3 秒间隔写在main.py里。如果频繁出现请求超时把间隔改到 5 秒想跑快一点就调小但不建议低于 1 秒。️ 新手容易卡住的事macOS 提示“无法找到 zbar 共享库”执行brew install zbar就好程序也会提示你按 y 自动安装不用自己查文档。二维码过期、登录失败重新跑一次python main.py再扫程序让你选已登录用户时输入 0 就是重新扫码登录。Excel 里“少”了一些说说工具只能拿到消息列表里有的记录“仅自己可见”或已删除的内容不会出现属正常现象不是出错。另外中途按 CtrlC 中断也安全已抓到的部分会自动保存不会白跑。 适合谁空间从没备份过的话选个晚上跑一遍python main.py、扫一次码几年的积累就躺在本地硬盘的resource/result/里了。【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 2026/11/3 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
📞 ✉