新闻详情

新闻详情

首页 / 资讯中心 / 详情

三步把QQ空间历史说说全部导出到本地:GetQzonehistory完整指南

发布时间:2026/11/4 11:21:20来源:尧图网络
三步把QQ空间历史说说全部导出到本地:GetQzonehistory完整指南
三步把QQ空间历史说说全部导出到本地GetQzonehistory完整指南【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/GetQzonehistoryGetQzonehistory 是一个开源的 QQ空间数据备份 工具它模拟扫码登录你的空间账号把发布过的历史说说、评论内容和配图一次性抓取下来存成本机可以离线打开的 Excel 表格和网页版时间线不经过任何第三方服务器。如果你担心空间内容因遗忘、清退或链接失效而找不回来这套工具能帮你把记录固化在自己手里。这份工具能帮你留下哪些记录很多人以为备份说说就是复制文字保存图片实际跑完python main.py后你会得到一份分类更细的档案全部落在resource/result/你的QQ号/目录下文件内容QQ号_说说列表.xlsx你发布的说说含时间、正文、图片链接、评论QQ号_转发列表.xlsx你转发的内容QQ号_留言列表.xlsx你留下的留言QQ号_其他列表.xlsx好友相关互动消息QQ号_好友列表.xlsx昵称、QQ号、空间主页地址pic/文件夹所有配图按说说正文命名并批量下载到本地QQ号_说说网页版.html还原空间样式的浏览页面按时间倒序排列另外fetch_all_message.py这个独立入口还会生成所有可见说说.md把文字、高清图片、转发原文、每条评论拼成一份 Markdown 文档方便直接放进笔记软件。三步从克隆到拿到本地档案第一步拉代码并装好依赖建议用虚拟环境隔离git clone https://gitcode.com/GitHub_Trending/ge/GetQzonehistory cd GetQzonehistory python -m venv myenv source myenv/bin/activate # Windows 用 .\myenv\Scripts\activate pip install -r requirements.txt第二步运行主程序终端会生成登录二维码用手机 QQ 扫码确认即可全程不需要在工具里输密码python main.py第三步等进度条走完。程序按每 10 条一批拉取消息列表批与批之间自动间隔 3 秒结束后自动打开结果目录核对 Excel 和pic/里的图片数量即可。如果不想自己装环境项目的 release 页也提供了打包好的单文件版本。两个入口数据覆盖深度不一样这是理解该项目最关键的一点两个入口走的是不同接口main.py走互动消息列表好处是你删掉的说说只要有人评论、点赞过消息记录里往往还在相当于多一个找回已删除内容的机会代价是只能覆盖消息列表保留的年限。fetch_all_message.py走可见说说接口分页拉取全部未删除说说注释标明可追溯到 2014 年之前且输出高清原图。两者的共同边界仅自己可见的说说不在消息列表里自然拿不到。如果你空间里有大量私密说说这部分需要另外处理。想深入了解实现可以看 util/ 目录LoginUtil.py负责扫码登录RequestUtil.py封装接口请求GetAllMomentsUtil.py拉取可见说说ToolsUtil.py处理 HTML 解析与数据清洗ConfigUtil.py管理 resource/config/config.ini 中的路径配置。两个真实用途跑完立刻有感用途一找回删了但还记得的旧内容。消息列表的机制决定了它比说说列表多存一份记录。导出后打开QQ号_全部列表.xlsx按时间列筛选你记忆中的年份很多当年删掉的动态可能还在里面。用途二一个不依赖网络的浏览页面。QQ号_说说网页版.html用浏览器直接打开头像、表情、配图、评论都按空间原始排版还原图片已替换为高清版本存在本地。以后无论空间入口怎么变、图片远程链接是否失效双击这个 HTML 就能从头翻到尾像回看一条完整的时间轴。把整个 QQ 号文件夹拷到移动硬盘档案就多了一份异地副本。常见坑位登录失败、zbar 缺失与中断处理登录失败终端提示登录失败:请重新登录时先确认网络能正常访问空间网页再重新运行一次扫码后长时间无响应也建议重跑cookie 会缓存在resource/user/下再次登录时可直接选择已登录账号。Linux 上装 zbar扫码识别依赖 pyzbar底层需要 zbar 共享库。缺失时程序会打印提示RPM 系系统执行sudo dnf install -y zbar即可macOS 按提示用 Homebrew 安装。中途中断程序注册了信号处理CtrlC退出时会先保存已抓到的数据不会白跑但批间间隔 3 秒是刻意的限速设计不建议改成 0 提速。最后提醒该工具仅限学习与技术研究使用请遵守平台规则尊重自己的隐私与版权导出的文件存放在可信设备上。趁还记得今天就把档案建起来备份这件事最麻烦的从来不是工具而是总想着下次再做。你的空间里大概率躺着一批你自己都快忘了的动态而它们的可见窗口只取决于平台的保留策略不取决于你的意愿。找个周末花上十几分钟克隆、扫码、等待进度条然后检查resource/result/里那份 Excel 和 HTML——当最早一条说说显示出来的那一刻你会确认这份本地档案值得每年再跑一次。【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
📞 ✉