新闻详情

新闻详情

首页 / 资讯中心 / 详情

三步导出 QQ 空间全部历史说说:GetQzonehistory 使用指南

发布时间:2026/11/16 1:48:03来源:尧图网络
三步导出 QQ 空间全部历史说说:GetQzonehistory 使用指南
三步导出 QQ 空间全部历史说说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想翻出几年前发过的一条说说空间动态页往往翻不到那么久以前。GetQzonehistory 是一个 Python 工具能把你在 QQ 空间发布的历史说说抓取下来以 Excel 表格和网页的形式导出到本地顺便把图片下载下来备份。 你会拿到什么QQ空间历史说说导出文件运行一次python main.py结果会保存到resource/result/你的QQ号/目录下包括全部列表.xlsx消息列表中的全部内容含时间、内容、图片链接、评论四列说说列表.xlsx你本人发布的说说转发列表.xlsx你做过的转发内容留言列表.xlsx你收到的留言记录好友列表.xlsx数据中出现过的好友昵称、QQ 号、空间主页链接其他列表.xlsx不属于以上分类的互动内容说说网页版.html按动态流还原说说图片和评论均可直接预览pic/子目录存放成功下载的说说图片按内容命名并自动处理重名。导出说说并整理成 Excel 的格式是固定的跑完直接打开文件夹核对即可。 它怎么工作流程分四步先由 LoginUtil.py 生成 QQ 空间登录二维码扫码后拿到会话并缓存接着 RequestUtil.py 分页请求空间互动消息列表每页 10 条main.py 逐条解析时间、正文、图片链接和评论者然后 GetAllMomentsUtil.py 拉取当前可见说说作为补充与消息列表去重合并最后统一写出 Excel、HTML 和图片。需要理解的数据边界是消息列表是主要来源从未出现在消息列表里的说说例如仅自己可见或已删除的拿不到。如果导出的内容比你印象里少属于正常现象。 从零到跑通QQ空间历史说说导出三步操作第一步获取代码并创建独立环境git clone https://gitcode.com/GitHub_Trending/ge/GetQzonehistory cd GetQzonehistory python -m venv myenv第二步激活虚拟环境myenv\Scripts\activate # Windows source myenv/bin/activate # macOS / Linux第三步安装依赖并启动pip install -r requirements.txt python main.py依赖不多主要作用是requests、chardet发送请求并探测返回页面编码beautifulsoup4解析空间列表页结构pandas、openpyxl、pyarrow生成 Excel 文件qrcode、pyzbar、Pillow生成与读取登录二维码tqdm进度条显示注意一点二维码识别依赖系统的 zbar 库Linux 可用包管理器安装如sudo dnf install -y zbarmacOS 用 Homebrew 安装 zbar否则程序启动时会提示缺库并退出。运行后终端会打印一个 ASCII 二维码用手机 QQ 扫码确认即可全程不需要输入密码。随后程序开始翻页抓取每页间隔 3 秒中途按 CtrlC 也会先保存已获取的数据不必从头再来。 数据还能做什么定期归档建议每半年跑一次。登录信息缓存在resource/user/下下次运行选择对应账号即可无需重复扫码备份 QQ空间照片和文字记录的成本很低。轻量分析Excel 里时间和内容已拆成字段直接在表格里统计每年发布条数、图片数量、互动最多的好友可以作为年终回顾或整理回忆录的素材。 避坑与须知耗时与数据量挂钩每页暂停 3 秒内容多的账号导出可能需要几十分钟甚至更久放到后台挂着跑即可。部分图片链接会失效早期图片可能已无法访问程序会跳过并继续pic 目录里的数量可能少于 Excel 中的链接数。登录失效时重新运行程序在用户选择步骤输入 0 触发重新扫码。合规边界工具仅供个人备份与学习研究请遵守 QQ 平台使用条款不要用于抓取他人数据或商业用途导出数据包含你和好友的个人信息注意自行保管。工具的定位很直接能抓到的都抓下来落在本地。账号历史内容多的话建议现在就跑一次打开结果文件夹看看。【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
📞 ✉