新闻详情

新闻详情

首页 / 资讯中心 / 详情

免费完整备份QQ空间历史说说:GetQzonehistory新手上手指南

发布时间:2026/11/6 18:13:14来源:尧图网络
免费完整备份QQ空间历史说说:GetQzonehistory新手上手指南
免费完整备份QQ空间历史说说GetQzonehistory新手上手指南【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多年前你在QQ空间写下第一条说说如今这个账号可能只剩偶尔查看消息的用途。若这些内容只存在于服务器端删除或改版后就会彻底消失。GetQzonehistory是一款免费开源的QQ空间说说备份工具扫码登录从历史消息列表逐条拉取内容导出为本地Excel表格和HTML网页全程无需输入密码。项目定位GetQzonehistory是面向你自己QQ空间账号的本地备份工具不做数据中转也不具备抓取他人隐私内容的功能能力边界很明确。能力说明抓取历史说说从QQ空间历史消息列表获取说说、转发与留言补齐未删说说拉取全部可见未删除说说与消息列表合并去重图片本地保存说说附图全部下载至本地 pic/ 目录多格式导出生成6个Excel表格和一个网页版HTML页面多账号支持登录态本地缓存再次运行可直接选择已登录账号 上手流程从装好依赖到第一次备份完成顺利的话不到10分钟顺序是安装、扫码登录、运行抓取。若不想折腾Python环境也可以在仓库的 release 页面下载已打包的单文件直接运行这里以源码方式为例git clone https://gitcode.com/GitHub_Trending/ge/GetQzonehistory cd GetQzonehistory python -m venv myenv pip install -r requirements.txt安装完成后记得激活虚拟环境各系统的激活命令在 README.MD 的安装一节里都有说明。扫码登录怎么操作运行主程序 main.py终端会先列出已登录账号首次为空然后生成登录二维码一张图片存到 resource/temp/ 目录同时以字符画形式直接打印在终端用手机QQ扫一下即可完成授权。程序依赖 zbar 共享库解码二维码缺少时会提示你按系统安装。python main.py登录成功后程序先估算消息总条数再每批10条、批间暂停3秒地翻页拉取历史列表抓完还会自动补拉可见的未删除说说合并去重后统一导出。结束时会打开结果目录并在终端打印各列表的条数统计。️ 备份产物全部结果位于 resource/result/你的QQ号/ 目录含6个Excel文件、1个HTML页面和1个图片目录保存位置可在 resource/config/config.ini 中修改。文件内容说明QQ号_全部列表.xlsx完整历史消息列表时间、内容、图片链接、评论四列QQ号_说说列表.xlsx你自己的说说个人回忆归档的核心数据QQ号_转发列表.xlsx你转发的内容字段与说说列表一致QQ号_留言列表.xlsx空间留言时间、内容、图片链接QQ号_其他列表.xlsx其他好友的动态便于回溯好友互动QQ号_好友列表.xlsx好友信息昵称、QQ号、空间主页QQ号_说说网页版.html网页版说说页深色主题含头像、图片网格与评论点图新标签打开pic/ 目录已下载的全部说说图片按说说内容命名截断40字符重名自动加时间戳其中HTML页由说说列表与转发列表生成按时间倒序排列适合用浏览器直接翻阅。典型用法如果你想归档回忆最省事的路径是直接打开说说网页版HTML从最早的时间点倒序浏览每条说说与评论再把 pic/ 目录复制进移动硬盘备份就算闭环Excel表格留作核对与统计的底稿。如果你想做量化分析用 pandas 读入QQ号_说说列表.xlsx按时间列统计每年发布频率或基于内容列做高频词统计就能看出不同年份你最关注的话题数据规模不大普通笔记本几秒就能算完。如果你想把内容迁移到个人博客Excel的时间、内容、图片链接三列是现成的结构化素材HTML页则提供视觉参考仓库里另一个入口 fetch_all_message.py 还能把全部可见说说导出为Markdown文件图片随文保存更贴近直接发布的场景。 避坑指南扫码登录失败或二维码扫不了多半是缺少zbar共享库Linux可执行 sudo dnf install -y zbarmacOS用户由程序自动检测Homebrew并引导安装二维码失效后重新运行程序即可获得新的。说说抓取不全工具基于历史消息列表仅自己可见等不在列表中的内容抓不到这是数据源的边界而非故障网络抖动导致个别批次失败可再跑一次程序在手动中断CtrlC时也会保存已抓到的数据。依赖安装失败给 pip install 加国内镜像源参数 -i https://mirrors.aliyun.com/pypi/simple/ 通常能解决并确保Python版本在3.8以上。运行速度慢每批10条、批间暂停3秒、单次请求还有固定5秒等待老账号几千条说说需要等待一小时属正常现象想定时自动备份可配置cron或Windows任务计划每月执行一次 python main.py数据清洗等二次处理直接用pandas对导出结果操作即可。隐私与安全设计原则是数据不出本机四点可以逐条核对抓取、解析、导出全部在本地完成不上传任何第三方服务器走官方扫码登录流程全程不要求输入密码登录态仅缓存在本地 resource/user/ 目录用完后自行删除代码完全开源许可条款见 LICENSE仅供学习与技术研究说说备份的价值在于真正做完。克隆GetQzonehistory运行main.py把QQ空间里的记忆归档到本地。【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 2026/11/6 6:37:16

【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 2026/11/6 0:32:51

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 2026/11/6 1:10:54

【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 ... 2026/11/6 17:25:36

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 2026/11/6 14:29:05

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 2026/11/6 14:29:07

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
📞 ✉