新闻详情

新闻详情

首页 / 资讯中心 / 详情

GetQzonehistory:快速把 QQ 空间历史说说完整导出到 Excel

发布时间:2026/11/15 9:29:57来源:尧图网络
GetQzonehistory:快速把 QQ 空间历史说说完整导出到 Excel
GetQzonehistory快速把 QQ 空间历史说说完整导出到 Excel【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/GetQzonehistoryQQ 空间说说备份不用写代码GetQzonehistory 扫码登录后抓取账号可见的全部历史说说一键把 QQ 空间历史说说导出为 Excel图片与网页版页面一并落地。给空间做存档的普通用户都能上手。 先给结果QQ 空间说说备份会产出哪些文件完整跑一遍 GetQzonehistory输出集中在 resource 文件夹的 result 子目录、以 QQ 号命名的文件夹里6 份 Excel全部列表、说说列表、转发列表、留言列表、好友列表、其他列表文件名均以 QQ 号开头如12345678_说说列表.xlsx1 个网页版页面QQ号_说说网页版.html浏览器打开即可按空间样式浏览整页说说1 个pic/图片文件夹带图说说的原图全部下载在内文件名取说说正文开头最长 40 个字符。抓取分两层一层是空间互动消息列表另一层是账号下未删除的可见说说两份结果合并去重后落盘消息列表里翻不到的旧内容也能尽量补回来。 快速上手三步完成 QQ 空间历史说说下载从克隆仓库到拿到 Excel一共三步。第一步拉取代码并安装依赖git clone https://gitcode.com/GitHub_Trending/ge/GetQzonehistory cd GetQzonehistory pip install -r requirements.txtrequirements.txt 里列出了全部依赖装完即可运行。第二步扫码启动 QQ 空间说说下载python main.pymain.py 是程序入口。启动后终端输出一段字符版二维码用手机版 QQ 扫一扫在手机上点确认。两点注意登录状态缓存在 resource 下的 user 子目录一个 QQ 号对应一个文件下次启动直接复用Linux 首次启动可能提示缺少 zbar 共享库用系统包管理器安装RPM 系执行sudo dnf install -y zbar后重新运行即可。第三步等进度条走完到结果目录取文件进度条以 10 条为一批推进每批之间暂停 3 秒控制台同步提示结束后程序会尝试自动打开结果目录没弹出时手动进 resource 文件夹的 result 子目录找以 QQ 号命名的文件夹即可。全程无需人工干预条数越多耗时越长具体以项目最新 README 为准。️ 数据说明QQ 空间历史说说导出的四列字段打开 QQ 号开头的 Excel如12345678_说说列表.xlsx每行是一条说说共四列列名含义示例值时间说说发布时间点精确到秒2018年09月03日 12:05:44内容格式为昵称正文正文即说说原文小华 今天天气不错图片链接该条说说的配图原始网址多图以逗号分隔https://imgserver/xxx.jpg评论该条说说的评论每条含时间、内容、昵称与 QQ[[2018-09-03,赞,小美,10086]]同一目录下还有转发、留言、其他列表不属于自己发布说说的互动内容单独成表好友列表消息中出现的好友的昵称、QQ 与空间主页网页版 HTML 页面与pic/图片目录配合表格互相核对。 用法说说导出 Excel 之后能直接做的三件事按年份排时间线对时间列做年份筛选只留目标年份再把内容列按时间排序就是一条可截图、可打印的时间线。按月统计发帖频率把时间列拆出年、月两个字段用数据透视表按月计数哪段日子发得最勤一目了然。挑图建实体相册pic/目录里的图片以说说正文开头命名对照表格的内容列确认每张图属于哪条说说挑出来重命名即可。答疑耗时、图片与重复扫码问题回答备份要跑多久取决于说说总量互动消息按每批 10 条抓取每批暂停 3 秒千条规模一般在十分钟量级具体以项目最新 README 为准。图片会一起导出吗会。带图说说的原图全部下载进pic/目录表格中保留原始网址两边可互相核对。需要重复扫码吗不需要。首次成功后登录态缓存在 resource 下的 user 目录下次直接复用换账号时在登录选择界面输入 0 重新扫码。该工具只读取登录账号自身可见的数据用于个人学习与技术研究不涉及绕过平台安全机制使用时请遵守 QQ 空间服务条款与相关法律法规。【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 2026/11/15 4:54:16

【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 2026/11/15 2:04:12

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 2026/11/14 10:11:15

【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 ... 2026/11/14 17:14:38

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 2026/11/14 16:35:50

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 2026/11/15 4:06:36

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
📞 ✉