新闻详情

新闻详情

首页 / 资讯中心 / 详情

QQ空间历史说说导出教程:扫码三步把旧动态归档到本地

发布时间:2026/11/4 13:18:17来源:尧图网络
QQ空间历史说说导出教程:扫码三步把旧动态归档到本地
QQ空间历史说说导出教程扫码三步把旧动态归档到本地【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几年前发的那条说说页面翻上翻下就是找不到底有些老照片在线相册里也已经失效了。GetQzonehistory 让你在扫码登录后把 QQ 空间的历史说说连同文字、图片、评论全部拉下来存成只属于你的本地档案。 能力速览能导出一些什么一句话定位GetQzonehistory 是面向 QQ 空间历史说说的本地归档工具。历史消息表格化每条说说的时间、正文、图片链接、评论分列入库表格中可搜索可筛选。在线图片落地说说配图逐张下载到pic/目录断网翻查也不受影响。还原网页版说说与转发渲染成一份接近原版空间观感的 HTML浏览器双击就能看。互动记录分类归档你发布的说说、转发、好友的留言与动态分别落表互不混杂。能力边界只有一句只覆盖当前可见且未删除的内容已删除或「仅自己可见」的说说拉不到。 快速上手从克隆到导出三步走拿到代码git clone https://gitcode.com/GitHub_Trending/ge/GetQzonehistory cd GetQzonehistory建虚拟环境装依赖python -m venv myenv source myenv/bin/activate # Windows 改用 myenv\Scripts\activate pip install -r requirements.txtrequests跑网络、pandas写 Excel、beautifulsoup4解析消息页装依赖时一并就位。运行并扫码登录python main.py终端会打印登录二维码用手机 QQ 扫码确认随后程序自动开始分页拉取看到进度条就不用管了。 跑完得到什么结果统一落在resource/result/你的QQ号/下导出结束程序会自动打开该目录产出物说明QQ号_全部列表.xlsx时间线上全部历史消息的总表QQ号_说说列表.xlsx你发布的说说含时间与评论明细QQ号_说说网页版.html还原空间观感的网页可打印可存档pic/说说配图逐张落地的本地图片QQ号_好友列表.xlsx出现在时间线里的好友昵称、QQ 号与空间主页QQ号_转发列表.xlsx/留言列表.xlsx/其他列表.xlsx你的转发、别人留你言、好友动态各一份⚙️ 原理一瞥一条拉取流水线整条链路是单向的util/LoginUtil.py先完成扫码登录main.py按每页 10 条、页间停顿 3 秒的节奏翻页消息列表解析器逐条切出时间、正文、图片链接、评论四列最后把 Excel、HTML 和图片一次性写盘。中途中断时已拉到的部分会先落盘保存重跑不用从头再来。仓库里另有fetch_all_message.py直接请求说说列表接口可以补齐更早年份的未删除说说。 真实场景做一本离线相册打开QQ号_说说网页版.html挑出值得留的条目打印成册或另存 PDF。看当年谁最活跃在QQ号_说说列表.xlsx里按评论列排序常来常往的老朋友一眼就能翻出来。让档案常新每隔半年重跑一次python main.py把resource/result/新目录拷进移动硬盘即可。 数据与隐私登录只走官方扫码流程密码不经过程序。拉取、解析、落盘全程在你自己电脑上完成中间数据不经过任何第三方服务器。结束后产物集中在resource/result/你的QQ号/整个文件夹拷走即完成归档。❓ 常见问题Q要输 QQ 密码吗不用。终端出码、手机 QQ 扫码确认就行全程不碰密码。Q删掉的说说能捞回来吗不能。它只抓可见且未删除的内容删掉的服务端已不存在。Q跑到一半误按了 CtrlC 怎么办程序会在退出前把已拉数据先存盘直接重跑python main.py接着用。Q提示找不到 zbar 共享库二维码解析依赖本地 zbarLinux 可用sudo dnf install zbar安装macOS 用brew install zbar。 使用与合规工具仅限保存自己的历史说说用于学习与技术研究别拿来抓别人的数据或做商业用途并遵守 QQ 平台的服务条款与隐私规范。更多细节可看 README.MD。三步走完散落在时间线里的旧说说就都收进一个随时能打开的文件夹了。【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
📞 ✉