新闻详情

新闻详情

首页 / 资讯中心 / 详情

tchMaterial-parser电子课本下载工具:3步把智慧教育平台电子课本存到本地

发布时间:2026/11/13 17:57:27来源:尧图网络
tchMaterial-parser电子课本下载工具:3步把智慧教育平台电子课本存到本地
tchMaterial-parser电子课本下载工具3步把智慧教育平台电子课本存到本地【免费下载链接】tchMaterial-parser国家中小学智慧教育平台 电子课本下载工具帮助您从智慧教育平台中获取电子课本的 PDF 文件网址并进行下载让您更方便地获取课本内容。项目地址: https://gitcode.com/GitHub_Trending/tc/tchMaterial-parser国家中小学智慧教育平台的电子课本能看不能存tchMaterial-parser电子课本下载工具干的就是这件事把课本预览页的网址粘进去它自动从网址里解析出真实的 PDF 地址一键存到本地。它是给备课的老师、给孩子备离线教材的家长准备的不用写代码不用懂原理。用完后你拿到的是一批以教材名命名的课本 PDF 文件可以批量处理也能存到哪算哪。 它只做这一件事平台的课本页面只提供在线预览真正的 PDF 地址藏在网址里的两个参数后面contentId 和 contentType。工具做的就是把这两个参数提取出来向平台接口请求教材信息拼出可直接下载的链接再用多线程把 PDF 存进你选的目录下载全程窗口的进度条实时同步。整个过程不用配置任何东西。主程序只有一个文件src/tchMaterial-parser.pywWindows、Linux、macOS 都能跑装好 Python 就能用。项目定位目标用户核心功能上手门槛把电子课本预览网址解析成真实 PDF 地址的小工具备课教师、需要离线教材的家长批量解析并下载电子课本 PDF装 Python 后双击运行无其他配置跨平台、开源MIT想把教材存在本地的任何用户多线程下载、实时进度也可只复制直链Windows / Linux / macOS 均支持单文件主程序免费使用只想拿直链、配合 IDM 等工具下载的人电子课本、专题课程、基础性作业均可解析从浏览器地址栏复制网址即可⬇️ 从安装到出结果的 3 步第一步克隆仓库并装依赖装好 Python 3.6 以上版本后依次执行下面 3 条命令git clone https://gitcode.com/GitHub_Trending/tc/tchMaterial-parser cd tchMaterial-parser pip install requests pyperclip psutil第二步运行程序粘贴课本网址Windows 上直接双击src/tchMaterial-parser.pyw启动其他系统用python src/tchMaterial-parser.pyw运行。然后用浏览器打开国家中小学智慧教育平台找到需要的课本把地址栏里的完整网址粘进文本框形如https://basic.smartedu.cn/tchMaterial/detail?contentTypeassets_documentcontentIdb8e9a3fe-dae7-49c0-86cb-d146f883fd8ecatalogTypetchMaterialsubCatalogtchMaterial多本课本也不用一本一本开程序同一个文本框里换行粘贴就行。第三步点下载拿到 PDF 文件点下载按钮选一个文件夹。单本课本可以指定保存位置和文件名多本课本则以教材名为文件名统一存进所选文件夹。下载过程中底部进度条实时显示已下载大小和百分比有文件失败时日志区会列出失败的链接对着补下即可。进阶用法只想要链接的话点解析并复制PDF 直链会进剪贴板方便分享或丢给 IDM 等下载管理器。批量下载时把多个网址按行分开粘贴工具会按多线程逐个处理。❓ 常见问题下载失败了怎么办先看网络是否通畅再确认粘贴的网址里含 contentId 和 contentType 两个参数。网址必须取自预览页的地址栏教材列表页的链接不行多数情况重新复制完整网址再试一次就好。除了电子课本还能下别的吗可以。专题课程和基础性作业也能解析教材资源会顺带把关联的音频mp3一起抓下来存在同一目录。高分辨率屏幕上界面会模糊吗不会。程序在 Windows 上自动读取系统缩放因子并做高 DPI 适配高分屏下字体和布局都是清晰的。tchMaterial-parser 把只能在线看的电子课本变成自己磁盘里的 PDF。源码见 src/tchMaterial-parser.pyw授权文件为 LICENSEMIT。【免费下载链接】tchMaterial-parser国家中小学智慧教育平台 电子课本下载工具帮助您从智慧教育平台中获取电子课本的 PDF 文件网址并进行下载让您更方便地获取课本内容。项目地址: https://gitcode.com/GitHub_Trending/tc/tchMaterial-parser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 2026/11/13 0:43:49

【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 2026/11/13 10:09:00

【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 2026/11/13 0:02:27

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
📞 ✉