新闻详情

新闻详情

首页 / 资讯中心 / 详情

QQ空间数据导出工具GetQzonehistory:3步完成本地备份

发布时间:2026/11/14 10:25:49来源:尧图网络
QQ空间数据导出工具GetQzonehistory:3步完成本地备份
QQ空间数据导出工具GetQzonehistory3步完成本地备份【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 是一个 QQ 空间说说本地备份工具解决历史说说难查找、无法批量导出的问题。它从空间消息列表抓取历史说说并用可见说说去重补充最后导出 6 个 Excel、网页版 HTML 和全部图片。跑通只需一条命令本文按安装、运行、验收走完一遍。场景QQ空间老说说难翻找的三个卡点在QQ空间网页版里翻找2019年发的说说消息列表只能一页页往后拖越往后记录越稀某些批次翻到底就是一整屏空白。想给几年的动态留一份底通常会卡在这几处老说说只能逐页翻没有按年筛选图片只有缩略图原图拿不到网页版没有任何批量导出入口GetQzonehistory 就是为这个场景做的把消息列表和历史说说一次性落到本地文件。功能清单QQ空间数据本地备份能做什么从结果看它能做的事比较具体扫码登录QQ扫码认证不经过密码登录态缓存在resource/user/分批抓取消息列表按10条一批拉取每批间隔3秒带进度条去重补充可见说说与已抓内容比对重复的不重复入库中断保存CtrlC 也会把已抓数据写盘重跑接着来多格式落盘6个Excel、网页版HTML、图片目录一次生成本地处理解析与保存全在本机完成不经过第三方服务器环境要求与3步安装环境要求Python 3.9依赖里 pandas 版本为 2.2.3Windows / macOS / Linux 均可macOS 需额外安装 zbar 库pyzbar 依赖能正常访问QQ空间网页版git clone https://gitcode.com/GitHub_Trending/ge/GetQzonehistory cd GetQzonehistory python -m venv myenv source myenv/bin/activate pip install -r requirements.txt python main.py最后一步直接运行 主入口Windows 把激活命令换成myenv\Scripts\activatemacOS 装依赖前先执行brew install zbar。运行流程从扫码到导出结果跑起来之后的过程很短首次运行终端打印二维码用QQ扫码登录成功打印QQ号和昵称进度条按10条一批推进每批停3秒抓完后自动补当前可见说说并去重生成文件成功后自动打开结果目录resource/ ├── config/config.ini # 保存路径配置 ├── result/{QQ号}/ # 导出结果 ├── temp/ # 临时缓存 └── user/ # 登录态缓存关键配置两处config.ini里改result的保存位置user/里存登录态重跑时输入 0 可重新扫码。批与批的间隔是代码里写死的频率控制登录失败会打印错误信息重跑重新扫码即可。导出结果文件说明所有产出落在resource/result/QQ号/下QQ号_全部列表.xlsx— 所有消息的完整记录QQ号_说说列表.xlsx— 自己发的说说含时间与图片链接QQ号_转发列表.xlsx— 转发内容记录QQ号_留言列表.xlsx— 互动留言存档QQ号_好友列表.xlsx— 互动好友昵称与QQ号QQ号_其他列表.xlsx— 其他互动内容QQ号_说说网页版.html— 还原版式图片直接预览pic/— 说说图片的本地副本建议先打开「全部列表.xlsx」核对最早时间和总条数再抽查网页版的图片显示情况。进阶用法完整导出与结果二改补全旧说说单独跑python [fetch_all_message.py](https://link.gitcode.com/i/f2bdf53ef6c8f709bca08b164aa9422f)按每页30条拉取全部未删除说说含2014年前的生成resource/fetch-all/所有可见说说.md并下载高清图片和主流程的消息列表数据互为补充。复用登录态cookie 已存进resource/user/后重跑时选择用户序号即可不必再扫码输入 0 走重新登录。网页版二改用文本编辑器打开QQ号_说说网页版.html修改style块里的字体和背景色另存成纪念册页面或打印成 PDF。年度统计用 pandas 读说说列表.xlsx对时间列取年份分组 count一行代码得到每年的说说数量。避坑与排障常见4类问题实际跑下来最容易碰到的问题现象最可能原因解决扫码登录失败pyzbar 缺系统库 zbarmacOS 执行brew install zbarLinux 用系统包管理器安装说说条数偏少消息列表只含出现过互动的记录可见说说已自动补充仅自己可见的旧说说不在消息列表里图片有缺失旧图链接失效工具直接跳过对照pic/数量与终端输出失效链接只能手动补结果不在预期位置默认按相对路径生成检查resource/config/config.ini里的result项收尾一句登录失败和数据偏少基本都源于登录态和消息列表覆盖范围先确认扫码账号是不是目标账号再看user/目录下的缓存是否对应。本工具仅用于个人记忆归档与技术学习。说说的数据权益受QQ平台相关条款约束导出内容涉及他人昵称与头像请勿公开传播也不要将导出数据用于商业用途。GetQzonehistory 把QQ空间历史说说的翻找变成一次性的本地数据备份Excel、HTML、图片各归其位。克隆仓库、装好依赖、跑python main.py扫码之后剩下的就是等进度条。说得多的人批次不少预留出整块时间再开始。【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
📞 ✉