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。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C094
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00