新闻详情

新闻详情

首页 / 资讯中心 / 详情

GetQzonehistory:免费导出QQ空间全部历史说说

发布时间:2026/11/5 10:33:42来源:尧图网络
GetQzonehistory:免费导出QQ空间全部历史说说
GetQzonehistory免费导出QQ空间全部历史说说【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 是一款免费开源的 QQ 空间备份工具手机 QQ 扫一次码登录账号里的历史说说、转发、评论和配图就被完整搬进本地 Excel 和离线网页全程不碰你的密码Windows、macOS、Linux 都能跑。QQ空间备份安全吗先吃定心丸扫码登录不碰密码程序在终端里生成一张二维码手机 QQ 扫一下就完成登录你的密码全程不经过它。数据只落本地抓到的内容全部写进resource/result/你的QQ号/目录不上传任何第三方服务器。登录态也在本地Cookie 缓存在resource/user/不放心随时删掉文件重新扫码。源码可逐行核对登录逻辑在 util/LoginUtil.py请求逻辑在 util/RequestUtil.py文件保存位置配置在resource/config/config.ini。红线只有一条只备份你自己的空间别拿来采集别人的数据。值得跑吗30秒自测适合你不适合你想给用了多年的老空间做长期存档只想存一两条说说——手动复制更快准备停用 QQ数据要带走不想装 Python 环境、折腾依赖想按年、按月给回忆做统计目标是导出别人账号的数据对号之后左边一列的读者继续往下看右边的读者这里就可以停了。QQ空间导出怎么跑3条命令出结果前提只有一个装好Python 3。第1步把代码拿下来git clone https://gitcode.com/GitHub_Trending/ge/GetQzonehistory cd GetQzonehistory仓库文件很少几秒就能克隆完。第2步装好依赖python -m venv myenv source myenv/bin/activate pip install -r requirements.txtWindows 上激活虚拟环境改用myenv\Scripts\activate。如果装得慢或中途失败加国内镜像源重装pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/。第3步扫码登录等它跑完python main.py终端打印出二维码后手机 QQ 扫一下。进度按每批 10 条、批间停顿3 秒的节奏走——这是内置的限速用来降低触发风控的概率别嫌慢。中途想停就按CtrlCmain.py 里注册了信号处理会先把已抓到的数据保存下来再退出不白跑。下次运行会列出已登录的 QQ 号供选择选中即进入抓取不用重新扫码想换账号就输入 0 重新走扫码。跑完拿到什么产出速览程序结束后会自动打开resource/result/你的QQ号/目录里面的东西该有四类产出内容用途QQ号_全部列表.xlsx全部消息汇总时间、内容、图片链接、评论核对总量、做统计的总入口QQ号_说说列表.xlsx、QQ号_转发列表.xlsx自己发布的说说与转发主体档案QQ号_留言列表.xlsx、QQ号_其他列表.xlsx留言板记录与好友互动补全好友视角QQ号_好友列表.xlsx昵称、QQ号、空间主页地址联系人备份QQ号_说说网页版.html按时间倒序还原头像、正文、配图、评论QQ 表情可正常显示断网双击就能翻的离线相册pic/目录每张配图以说说内容命名下载时自动把缩略图链接替换成高清版图片离线存档另外原始抓取数据按 QQ 号缓存在resource/fetch-all/你的QQ号/下多账号互不干扰重复跑时已抓取的页会直接走缓存。卡住了问题自查现象对策提示无法找到 zbar 共享库用系统包管理器装 zbarRPM 系sudo dnf install -y zbarmacOS 用 Homebrew 装程序检测到后会自动引导你安装并配置二维码扫了没反应或已失效检查网络与系统时间重新运行python main.py生成新码提示登录失败请重新登录在已登录用户列表里输入 0重新走一遍扫码说说条数比预期少私密或仅自己可见的说说不在消息列表里多跑几次补齐全程耗时很长限速是刻意设计Cookie 复用加缓存可以分多次跑结果按次保存还想玩点啥进阶玩法用 pandas 做月度统计。Excel 列名就是中文直接读df pd.read_excel(你的QQ号_说说列表.xlsx) df[时间] pd.to_datetime(df[时间]) print(df.groupby(df[时间].dt.to_period(M)).size())把dt.to_period(M)换成dt.year就是年度盘点按字数、配图数量排序也是同一套路十几行代码就能把回忆变成一份年报。⏰定时自动备份。crontab 里加一行每月 1 号凌晨 3 点自动跑一遍Cookie 复用意味着它不用扫码新说说会自动进档案0 3 1 * * cd /path/to/GetQzonehistory python main.pyWindows 用户用任务计划程序配同样的效果即可。今晚就把仓库克隆下来第一次导出在你扫完码的时间里就能完成。老说说不会自己回来找你但字节可以先攥在自己手里。【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 2026/11/4 15:56:54

【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 2026/11/4 22:55:41

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 2026/11/4 17:01:23

【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 ... 2026/11/4 12:33:12

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 2026/11/5 4:24:57

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 2026/11/5 4:24:57

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
📞 ✉