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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00