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。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00