新闻详情

新闻详情

首页 / 资讯中心 / 详情

GetQzonehistory:5 分钟做一次 QQ 空间备份,把全部回忆导出来

发布时间:2026/11/14 15:12:31来源:尧图网络
GetQzonehistory:5 分钟做一次 QQ 空间备份,把全部回忆导出来
GetQzonehistory5 分钟做一次 QQ 空间备份把全部回忆导出来【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换手机、换新电脑的时候你大概想过把 QQ 空间里这些年发的说说都留一份。麻烦在于 QQ 空间没有官方导出入口旧说说刷不到就等于从没存在过。GetQzonehistory 是一个开源的 QQ 空间备份工具扫码登录后它能把你历史说说的文字、评论互动和图片完整导出到本地格式是 Excel 加图片目录。QQ 空间备份能覆盖哪些内容它抓取的是「你还能看到」的数据备份范围包括原创说说发布时间、文字内容、图片链接转发内容保留原作者和原说说正文评论互动朋友在你说说下的评论和回复好友列表昵称、QQ 号、空间主页链接说说配图逐张下载到本地目录离线 HTML 页面还原空间动态流界面断网也能用浏览器打开换句话说能出现在互动消息列表、且可见未删除的内容都能拿到已经删掉的任何工具都找不回来。QQ 空间说说备份工具怎么装先克隆仓库并进入目录git clone https://gitcode.com/GitHub_Trending/ge/GetQzonehistory cd GetQzonehistory建议建一个虚拟环境venv可以理解为隔离项目依赖的“沙盒”避免污染系统 Pythonpython -m venv myenv source myenv/bin/activate # Windows 用 myenv\Scripts\activate一条命令装好全部依赖pip install -r requirements.txtrequirements.txt 里就是 requests、pandas、beautifulsoup4、qrcode 这些常规库装完不需要再折腾别的。扫码登录怎么做、备份怎么跑python main.py程序启动后会向 QQ 官方接口申请登录二维码直接在终端里打印出来图片同时存到 resource/temp/QR.png用手机 QQ 扫一下、确认即可。程序每 3 秒轮询一次状态看到「登录成功」就自动拿到会话 cookie接着开始拉数据。整个过程不涉及 QQ 密码cookie 只存在本地的 resource/user/ 目录里。下次再跑时如果你之前登录过可以选择已保存的账号不用重复扫码。备份流程内部是怎么跑的代码按职责拆成 5 个模块看目录结构就能对上模块职责util/LoginUtil.py生成二维码、轮询认证状态、保存登录 cookieutil/RequestUtil.py带着 cookie 请求空间历史消息接口每页拉 10 条util/GetAllMomentsUtil.py补全可见且未删除的说说列表能取到 2014 年之前的老记录util/ToolsUtil.py清洗 HTML、还原 QQ 表情、生成离线网页模板util/ConfigUtil.py读取 resource/config/config.ini管理 temp、user、result 三个目录main.py 负责整体调度先拉互动消息列表再补可见说说列表去重后统一落盘。QQ 空间历史记录导出后会得到什么跑完后程序会自动打开输出目录所有文件都放在 resource/result/你的QQ号/ 下QQ号_全部列表.xlsx全部互动数据QQ号_说说列表.xlsx、QQ号_转发列表.xlsx自己的原创和转发QQ号_留言列表.xlsx、QQ号_其他列表.xlsx留言记录与他人的内容QQ号_好友列表.xlsx好友昵称、QQ 号、空间链接QQ号_说说网页版.html离线可视化页面动态流排版、表情已还原pic/ 子目录全部说说图片按说说文字截断命名重名会自动加时间戳运行结束时会打印汇总消息总条数、最早一条说说的时间、好友和说说数量、图片张数方便你核对有没有漏。进阶用法定时备份、二次分析、调参定时备份在 Linux 的 crontab 或 Windows 计划任务里加一条每周执行 main.py 的任务本地档案就能持续跟进新内容。注意会话过期后需要重新扫码完全无人值守做不到。二次分析导出的是标准 Excel用 pandas 打开就能统计每年的发帖量或用数据透视表看哪几年最活跃。如果你正计划做 QQ 空间数据迁移到其他平台这套文件可以直接当数据源。⚙️调参各目录路径在 resource/config/config.ini 里改每页之间内置了约 8 秒的等待代码里是 5 秒加 3 秒两段 sleep网络不稳时可以适当调大降低超时概率。常见坑与答疑问一次要跑多久每页 10 条、页间等待约 8 秒粗算是「总条数 ÷ 10 × 8 秒」再加上图片下载时间。一千条说说大约 15 分钟左右进度条实时可见。问二维码失效了怎么办重新运行 main.py 生成新的即可。终端里看不清图案的话直接打开 resource/temp/QR.png 扫图也行。问Linux 上提示找不到 zbar 共享库这是二维码识别依赖的系统库没装程序会打印对应包管理器的安装命令Fedora 系是 dnf install zbar装上再跑。问删除的说说、仅自己可见的内容能导吗不能。数据源只有互动消息列表和可见未删除的说说已删除内容无法找回。问中途按了 CtrlC 数据会丢吗不会。程序注册了中断信号处理退出前会把已抓到的内容先写入 Excel。整套逻辑不复杂扫码、翻页拉取、存盘。挑个网络稳定的时段跑一次resource/result 下就会多出一个可以离线翻阅的私人档案下次界面再改版旧回忆也还在你手里。【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 2026/11/12 23:59:09

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 ... 2026/11/13 13:31:48

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 2026/11/13 16:11:45

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
📞 ✉