新闻详情

新闻详情

首页 / 资讯中心 / 详情

QQ空间历史说说怎么批量导出?用 GetQzonehistory 找回十年前的旧动态

发布时间:2026/11/21 14:33:15来源:尧图网络
QQ空间历史说说怎么批量导出?用 GetQzonehistory 找回十年前的旧动态
QQ空间历史说说怎么批量导出用 GetQzonehistory 找回十年前的旧动态【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空间网页只显示最近的动态早期的说说在界面上翻不到但数据其实还在。GetQzonehistory 通过扫码登录抓取历史消息列表把历史说说、转发、留言和好友信息导出为 Excel、网页和图片全部保存在你的电脑上。五分钟内把工具跑起来克隆仓库、装依赖、运行一条链路走完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.pyWindows 用户激活虚拟环境用myenv\Scripts\activate即可。依赖覆盖二维码生成与识别、HTML 解析、表格输出、HTTP 请求、图片处理几块pip install -r requirements.txt会一次装好。如果不想搭环境项目在 release 页面也提供了可直接执行的打包版本。python main.py启动后会打印登录二维码用手机 QQ 扫码确认即可全程不输入密码。登录成功后程序自动开始抓取进度条会显示剩余批次。导出结果存在哪里包含哪些文件运行完成后所有结果写入resource/result/你的QQ号/目录相当于把云端相册整个打包下载成本地文件夹。里面有QQ号_全部列表.xlsx所有历史消息按时间排序QQ号_说说列表.xlsx你自己发布的说说含时间、内容、图片链接、评论QQ号_转发列表.xlsx所有转发内容保留原始信息QQ号_留言列表.xlsx好友留言存档QQ号_好友列表.xlsx互动好友的昵称、QQ 号、空间主页QQ号_说说网页版.html模拟空间信息流样式可预览图片pic/所有图片按内容命名单独保存方便整理拿到 Excel 后可以直接按年份筛选统计发布频率或用好友列表做互动次数汇总HTML 版本则适合直接浏览或转成个人时间轴页面。数据来自消息列表和可见说说两个源头程序的工作方式可以拆成四步LoginUtil.py 负责生成二维码和校验登录态拿到 cookies 后写入本地下次运行可选已登录账号。RequestUtil.py 处理全部网络请求按每批 10 条翻页拉取 QQ空间历史消息列表批间有停顿避免请求过快被限制。GetAllMomentsUtil.py 再补充当前可见的全部说说包括 2014 年之前的早期内容把消息列表里缺的部分补上。ToolsUtil.py 负责去重两个来源都出现过的内容只保留一份保证每条记录唯一。main.py里还注册了信号处理按 CtrlC 中断时程序会先把已抓到的数据落盘再退出下次运行不会丢已下载的内容。用之前先看这几条改保存位置修改resource/config/config.ini中的目录配置结果、缓存、用户信息三处路径都在里面。只导某类内容默认全类型导出如果只要说说和留言可以在main.py的保存逻辑里调整对应分支。定时备份用系统计划任务如 cron每月固定时间执行一次python main.py档案始终跟得上。隐私说明所有数据本地处理登录走扫码而非密码导出文件只存在你自己的电脑里。若需分享建议先把 result 目录加密压缩再传递。跑不动了看这里登录成功但获取不到数据先确认浏览器能正常打开 QQ空间网页版然后重新扫码确保登录态有效公司网络或防火墙拦截时换网络环境再试。导出的数据不完整工具基于历史消息列表加可见说说两个来源。如果某条说说从未出现在消息列表里且目前已不可见比如早期的仅自己可见说说则无法获取这是数据源本身的边界。macOS 上提示 zbar 库错误程序识别二维码依赖 zbar用 Homebrew 安装即可brew install zbar下一步就是克隆仓库、运行python main.py并扫码第一次跑完检查resource/result/里最早的一条时间戳确认覆盖范围后再决定是否配置定时任务。本工具仅供个人数据保存与学习研究请遵守 QQ 平台相关条款。【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 2026/11/21 14:14:45

【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 2026/11/21 14:14:26

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 2026/11/20 20:45:42

【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 ... 2026/11/20 16:11:20

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 2026/11/20 18:41:01

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 2026/11/21 14:13:11

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
📞 ✉