Chrome-Export 技术文档
1. 安装指南
Chrome-Export 是一个用于将 Google Chrome 的书签和历史记录转换为标准 HTML 书签文件格式的 Python 脚本。以下是几种安装方式:
1.1 使用 Homebrew 安装
如果你已经安装了 Homebrew,可以通过以下命令安装 Chrome-Export:
brew install chrome-export
1.2 使用 Nix 安装
如果你使用的是 Nix 包管理器,可以通过以下命令安装:
nix-env -i -A nixpkgs.chrome-export
如果你使用的是 NixOS,可以通过以下命令安装:
nix-env -i -A nixos.chrome-export
1.3 手动安装
你可以从 最新版本 下载 .zip 或 .tar.gz 文件,解压后将 export-chrome-bookmarks 和/或 export-chrome-history 文件移动到你的 PATH 路径中。你还可以将 man_pages 目录中的 export-chrome-bookmarks.1 和 export-chrome-history.1 文件移动到 MANPATH 路径中(例如 /usr/local/share/man/man1)。
2. 项目的使用说明
这些脚本需要 Python 2.7.x 或 Python 3.2 及以上版本,支持 Linux、macOS 和 Windows 系统。
2.1 书签脚本
使用方式如下:
export-chrome-bookmarks [input_file] output_file
如果不指定输入文件,脚本将尝试打开默认的 Chrome 书签文件。脚本会忽略以 javascript: 开头的 URL。
2.2 历史记录脚本
使用方式如下:
export-chrome-history [input_file] output_file
如果不指定输入文件,脚本将尝试打开默认的 Chrome 历史记录文件。脚本会忽略标题为空的历史记录条目。
3. 项目 API 使用文档
Chrome-Export 提供了两个主要的脚本:export-chrome-bookmarks 和 export-chrome-history。这两个脚本的 API 使用方式如下:
3.1 export-chrome-bookmarks
export-chrome-bookmarks [input_file] output_file
input_file:可选参数,指定 Chrome 书签文件的路径。如果不指定,脚本将尝试打开默认的书签文件。output_file:必选参数,指定输出的 HTML 书签文件路径。
3.2 export-chrome-history
export-chrome-history [input_file] output_file
input_file:可选参数,指定 Chrome 历史记录文件的路径。如果不指定,脚本将尝试打开默认的历史记录文件。output_file:必选参数,指定输出的 HTML 历史记录文件路径。
4. 项目安装方式
Chrome-Export 提供了多种安装方式,用户可以根据自己的需求选择合适的安装方式:
- Homebrew:适用于 macOS 用户,安装简单快捷。
- Nix:适用于 Nix 或 NixOS 用户,支持跨平台安装。
- 手动安装:适用于所有平台,用户需要手动下载和解压文件,并将其移动到 PATH 和 MANPATH 路径中。
通过以上方式安装后,用户即可使用 export-chrome-bookmarks 和 export-chrome-history 脚本来导出 Chrome 的书签和历史记录。
Chrome-Export 是一个功能强大且易于使用的工具,能够帮助用户轻松管理和导出 Chrome 的书签和历史记录。希望本文档能够帮助你更好地理解和使用该项目。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00