新闻详情

新闻详情

首页 / 资讯中心 / 详情

QQ空间说说一键完整导出:GetQzonehistory 从扫码到出结果的保姆级教程

发布时间:2026/11/4 18:33:49来源:尧图网络
QQ空间说说一键完整导出:GetQzonehistory 从扫码到出结果的保姆级教程
QQ空间说说一键完整导出GetQzonehistory 从扫码到出结果的保姆级教程【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你有多久没翻过自己 QQ 空间的老说说了大学时发的旅行照、前年那几条深夜感慨不备份的话真说不准哪天就找不回来。GetQzonehistory 是一个用 Python 写的开源小工具能帮你把 QQ 空间说说导出得干干净净扫码登录后它会自动抓取你发布过的历史说说、图片和评论最后整理成几个 Excel 文件和一个网页版存在你自己的电脑上。全程本地运行不用输密码也没有第三方服务器经手你的数据。它能帮你做什么一句话概括把你 QQ 空间里所有能看到的未删除说说完整搬到本地。不只是你自己发的它顺带把转发列表、你给好友留的言、好友列表也一起抓了。说说里的图片会逐张下载到本地文件夹连 2014 年之前的老内容也尽量能捞回来。跑完之后还会渲染出一个网页版空间浏览器打开就像刷自家空间一样。它是怎么跑起来的原理并不复杂四句话讲完先用手机扫码登录 QQ 空间跟电脑登录一样不需要密码然后翻互动消息列表每页取 10 条、每页之间歇 3 秒节奏放得很温和再调未删除说说接口补一次全量把消息列表里没覆盖到的老说说找回来最后去重、分类、写 Excel、下图一条龙做完。3 步跑起来先克隆代码git clone https://gitcode.com/GitHub_Trending/ge/GetQzonehistory cd GetQzonehistory然后建个虚拟环境装依赖requests、pandas、openpyxl 这些都包含在内一条命令搞定python -m venv myenv source myenv/bin/activate # Windows 用 .\myenv\Scripts\activate pip install -r requirements.txt最后运行主程序python main.py屏幕上会出个二维码用手机 QQ 扫一下就算登录成功接下来全自动。跑完它还会直接帮你打开结果文件夹。完全不想折腾环境的话项目 release 里也有打包好的单文件版本。想改导出位置的话编辑resource/config/config.ini里的路径就行读取逻辑在 ConfigUtil.py 里。导出文件里有什么全部结果放在resource/result/你的QQ号/目录下文件里面装了什么QQ号_全部列表.xlsx所有说说含转发和留言字段为时间、内容、图片链接、评论QQ号_说说列表.xlsx你发布的原创说说QQ号_转发列表.xlsx你转发的内容QQ号_留言列表.xlsx你留在好友空间的留言QQ号_其他列表.xlsx消息列表里别人的说说QQ号_好友列表.xlsx好友昵称、QQ 号、空间主页地址QQ号_说说网页版.html浏览器打开的网页版空间带头像和评论pic/文件夹说说里的全部图片逐张存成本地文件谁会用得上 想给自己做个回忆录的直接打开那个 HTML 网页就行。布局做得很像原版空间头像、评论、时间都在翻起来和刷空间没区别。所有列表都是标准 Excel想统计一年发了多少条哪个月最活跃用 pandas 或者 WPS 打开全部列表拉个透视表就行。评论和好友数据也都在表里做点个人小分析完全够用。图片文件夹也很实用图片按说说内容命名存进pic/想挑几张做相册、或者把空间内容迁移到别处当素材直接取图就行。别踩这几个坑⏳ 速度不算快每页 10 条还要歇 3 秒几千条说说起码要等十几分钟别以为卡死了。二维码过期挺快手机提前放在手边。只能拿到可见且未删除的说说。设为仅自己可见的、后来删掉的消息列表里没有自然抓不到这是平台机制决定的。手滑按了 CtrlC 也别慌程序会先把已经抓到的数据存下来再退出不白跑。第二次运行不用再扫码它会列出已登录的账号让你选序号输 0 才重新登录。那个 HTML 网页版里的图片引用的是在线高清图地址看图要联网想离线看就翻pic/文件夹。最后多说一句拿它备份自己的账号就好别用来批量抓别人的数据README 里的免责声明不是随便写的。花十几分钟等它跑完空间里这些年的记忆就都安稳躺在硬盘里了。下次想翻老说说再也不用担心平台那边。【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 2026/11/3 12:09:35

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 2026/11/4 1:25:31

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 2026/11/4 3:51:11

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
📞 ✉