新闻详情

新闻详情

首页 / 资讯中心 / 详情

快速备份QQ空间历史说说:GetQzonehistory

发布时间:2026/11/15 2:56:24来源:尧图网络
快速备份QQ空间历史说说:GetQzonehistory
快速备份QQ空间历史说说GetQzonehistory【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想把几年前的QQ空间动态留在手里手动复制太慢而网页版只能翻到最近的内容。GetQzonehistory 是一个开源的QQ空间历史说说导出工具扫码登录后它自动抓取空间的历史消息和可见说说整理成Excel表格、图片和一个可离线打开的网页全部存在本机。 备份完成会得到哪些文件所有产物写入resource/result目录下、以QQ号命名的子文件夹主要包含QQ号_全部列表.xlsx时间、内容、图片链接、评论四列的完整消息记录QQ号_说说列表.xlsx你本人发布的原创说说QQ号_转发列表.xlsx你转发的内容QQ号_留言列表.xlsx好友在动态下留下的留言QQ号_好友列表.xlsx消息中出现过的好友昵称、QQ号与空间主页QQ号_说说网页版.html仿QQ空间样式的网页配合pic/目录里按内容命名的图片离线也能浏览⏱️ 三步完成首次备份第一步克隆仓库并进入目录git clone https://gitcode.com/GitHub_Trending/ge/GetQzonehistory cd GetQzonehistory第二步安装依赖建议先创建虚拟环境再执行pip install -r requirements.txt第三步运行主程序python main.py程序会在终端打印登录二维码用手机QQ扫描即可全程不经过密码。首次导出按批拉取消息消息越多耗时越长建议在空闲时段执行。登录凭证缓存在resource/user目录重跑时直接选择已登录账号即可中途按 CtrlC 退出也会先保存已抓到的数据不用从零开始。⚙️ 工作原理数据从哪里来扫码登录登录模块 获取QQ空间官方二维码并换取登录凭证cookie全程不接触账号密码。统计消息总量先通过二分法定位历史消息总数再每批 10 条逐批拉取批与批之间留有间隔。补充可见说说可见说说抓取模块 每页 30 条翻页取回所有未删除的可见说说包含 2014 年之前的部分。合并去重与分类两个来源按内容比对重复条目只保留一份再分成说说、转发、留言、其他四类写入 Excel图片存入 pic/ 目录并渲染出网页版 HTML。安全边界抓取与解析都在本机完成不经过第三方服务器代码开源可逐文件审查。GetQzonehistory/ ├── main.py # 主程序入口 ├── fetch_all_message.py # 可见说说抓取入口 ├── util/ │ ├── LoginUtil.py # 扫码登录 │ ├── RequestUtil.py # 请求与登录态 │ └── GetAllMomentsUtil.py # 可见说说抓取 └── resource/ # 配置、缓存与导出结果❓ 常见问题Q为什么部分说说没导出来 A工具依赖空间消息列表和可见说说两个来源仅自己可见且不在可见列表里的旧内容无法取到属于平台侧限制。Q每次运行都要重新扫码吗 A不用。登录凭证保存在resource/user目录再次运行会列出已登录账号供选择。Q导出大概要多久 A消息按每批 10 条拉取且批间有间隔总时长与消息量成正比消息多时请预留整块时间并保持网络稳定。QmacOS 或 Linux 上提示缺少 zbar Azbar 是本地二维码解析库不是联网组件按终端提示装好后重新运行即可。这套流程适合想长期做QQ空间数据备份的用户首次完整跑一遍确认 result 目录下的 Excel、图片和网页都齐全之后每隔几个月重跑一次即可。工具面向个人备份与学习研究请遵守QQ平台使用条款不用于抓取他人数据。【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 2026/11/14 3:51:47

【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 2026/11/14 3:51:43

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
📞 ✉