新闻详情

新闻详情

首页 / 资讯中心 / 详情

QQ空间数据完整导出:GetQzonehistory 备份工具使用指南

发布时间:2026/11/2 14:05:18来源:尧图网络
QQ空间数据完整导出:GetQzonehistory 备份工具使用指南
QQ空间数据完整导出GetQzonehistory 备份工具使用指南【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/GetQzonehistoryGetQzonehistory 是一款免费的 QQ空间数据导出工具把账号的历史说说、留言与图片一次性备份到本地 Excel、网页和图片文件夹。适合想给账号做 QQ空间备份的用户装好依赖后扫码登录即可运行。 导出结果文件清单跑完一次main.py所有成果写入resource/result/QQ号/目录程序结束时会自动打开该目录。一次运行可得到{QQ号}_全部列表.xlsx按时间排序的完整消息记录含时间、内容、图片链接、评论四列{QQ号}_说说列表.xlsx本人发布的说说是 QQ空间说说批量导出的核心产出{QQ号}_转发列表.xlsx本人做出的转发保留原始转发内容{QQ号}_留言列表.xlsx好友在自己说说下的留言记录即 QQ空间历史留言导出结果{QQ号}_其他列表.xlsx好友之间的互动内容{QQ号}_好友列表.xlsx出现在互动中的好友含昵称、QQ号、空间主页链接{QQ号}_说说网页版.html深色时间轴页面还原说说、图片与评论浏览器直接打开即可回看pic/说说中的全部图片按内容文字命名重名自动追加时间戳如果只需要可见说说的 Markdown 存档含 2014 年之前的内容可以单独运行 fetch_all_message.py它会输出所有可见说说.md和已下载图片到resource/fetch-all/。 最小安装步骤环境硬性要求只有 Python 3.7以下主线一次跑通获取代码到本地得到util/工具模块与main.py入口git clone https://gitcode.com/GitHub_Trending/ge/GetQzonehistory cd GetQzonehistory创建虚拟环境、安装 requirements.txt 中全部依赖HTML 解析、Excel 写入、进度条、二维码识别并启动程序python -m venv myenv pip install -r requirements.txt python main.py激活虚拟环境Windows 执行myenv\Scripts\activateLinux/macOS 执行source myenv/bin/activate后再走上面第二步启动成功后控制台会显示登录二维码用 QQ 手机版扫码终端打印用户QQ号,昵称登录成功。等待导出进度条按每 10 条一批推进批间自动休息 3 秒结束后终端汇总打印各列表条数与图片数量并自动打开结果目录。⚙️ 双数据源与去重机制导出的完整性来自两个来源的互补和一次去重。主来源是 QQ空间网页版的历史消息列表所有曾经产生过互动记录自己发布、他人评论、自己转发的说说都能从这里分页取回。消息列表有盲区——从未进入过消息的说说不在其中因此主流程结束后会再调用第二个来源即当前可见的未删除说说接口实现在 util/GetAllMomentsUtil.py把账号至今未删除的内容全部取回可追溯到 2014 年。合并前会先过滤掉已经包含在消息列表恢复结果里的可见说说再追加剩余部分保证同一条说说只出现一次。最后按发布者昵称是否为自己把记录拆分为说说、转发、留言、其他四类各存各表。 进阶技巧进度恢复与高清图替换中断也能保存程序注册了 SIGINT/SIGTERM 信号处理CtrlC 会先保存已抓取的数据再退出前面的抓取不白费。缓存避免重复请求可见说说数据在resource/fetch-all/落 JSON 缓存再次运行时先读缓存不重复分页。高清图替换网页版生成时把图片链接从中等清晰度统一替换为高清/m改/s预览到的不是压缩小图。重名图片自动改名按内容生成的文件名若冲突会自动追加时间戳每张图都能落盘。节奏不要调快批间 3 秒间隔与消息总数的二分探测是内置限速与估算逻辑前期进度条偏慢属于正常现象。 导出失败的排查顺序现象启动后没有二维码提示无法找到 zbar 共享库 原因扫码识别依赖 pyzbar而 pyzbar 需要系统级 zbar 库macOS/Linux 未预装。 解决用系统包管理器安装macOSbrew install zbarFedoradnf install -y zbar后重新运行。现象进度条中部分批次打印获取消息失败返回值为空或无效数据有缺口 原因网络抖动或服务器响应超时。 解决换到稳定网络重跑程序已抓取内容会随中断处理落盘去重逻辑也会避免重复数据。现象导出的说说比实际发布量少 原因从未出现在消息列表、或事后已被删除的说说无法恢复。 解决先查看终端是否打印你的未删除说说总条数确认可见说说来源是否正常执行说说确已删除则任何方式都取不回。现象部分图片没有下载下来 原因图片链接已失效工具会跳过并继续处理。 解决手动访问失败链接确认是否过期失效链接导致的缺失属正常损耗。整个流程就是一次运行、一份核对跑完对照resource/result/QQ号/里的文件缺什么按上面的顺序定位原因。可执行清单克隆仓库并创建虚拟环境激活环境安装 requirements.txt 依赖运行 main.py用 QQ 扫码登录等待进度条走完自动打开结果目录核对六张 Excel、网页版 HTML 与 pic/ 图片文件夹是否齐全【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 2026/11/2 5:53:33

【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 2026/11/2 5:53:30

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 2026/11/2 5:53:30

【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 ... 2026/11/2 5:53:28

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 2026/11/2 5:53:27

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 2026/11/2 5:53:27

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
📞 ✉