原神抽卡数据分析神器:5分钟学会导出所有祈愿记录
想要完整保存你的原神抽卡历史吗?genshin-wish-export是一款基于Electron开发的专业工具,能够轻松导出原神祈愿数据到Excel表格中。这款工具通过智能读取游戏日志获取访问权限,自动合并新旧数据,为你提供完整的抽卡统计和分析。
🎯 为什么需要祈愿记录导出工具
原神游戏中的祈愿历史记录只会保存最近6个月的数据,超过时间限制的抽卡记录会被系统自动清理。使用genshin-wish-export工具,你可以永久保存所有抽卡数据,避免珍贵的历史记录丢失。
📱 工具界面预览与功能解析
从界面可以看出,这款工具提供了三个主要祈愿类型的详细统计:
- 角色活动祈愿:追踪限定角色池的抽卡情况
- 常驻祈愿:记录标准池的抽卡数据
- 新手祈愿:保存新手池的抽卡记录
每个祈愿类型都配有直观的饼图展示,清晰显示不同星级物品的分布比例,让你一目了然地了解自己的抽卡习惯。
🚀 四步快速上手指南
第一步:准备工具与游戏环境
首先确保你已经下载了最新版本的genshin-wish-export工具,并将压缩包解压到合适的目录。同时启动原神游戏,确保能够正常登录并进入游戏界面。
第二步:获取数据访问权限
打开游戏内的祈愿界面,点击历史记录页面。此时工具会自动检测游戏日志,获取读取祈愿数据所需的认证密钥。
第三步:加载并分析数据
运行genshin-wish-export工具,点击"加载数据"按钮。工具会立即开始读取你的祈愿历史记录,整个过程通常只需要几分钟时间。
第四步:导出Excel文件
数据加载完成后,点击"导出Excel"按钮,选择保存位置即可生成专业的Excel表格文件。
📊 导出数据深度解读
导出的Excel文件包含多个工作表,每个祈愿池都有独立的统计页面。文件中详细记录了每次抽卡的时间、获得的物品名称、物品类型、稀有度等级等关键信息。
特别值得一提的是,工具会自动计算保底计数,让你清楚知道距离下一次保底还有多少次抽卡机会。
🌍 多语言与多账号支持
genshin-wish-export内置了完善的多语言系统,支持中文、英文、日文、韩文等十多种语言。所有翻译文件都保存在src/i18n目录中,方便用户根据需求进行调整。
对于拥有多个游戏账号的玩家,工具支持同时管理多个账号的祈愿数据。只需点击界面上的加号按钮,就能轻松添加新的账号记录。
🔒 数据安全与本地存储
所有祈愿数据都存储在本地userData文件夹中,不会上传到任何服务器,充分保障你的游戏数据安全和隐私。
🛠️ 开发者与进阶使用
如果你对工具的开发感兴趣,可以通过以下命令获取源代码:
git clone https://gitcode.com/GitHub_Trending/ge/genshin-wish-export
cd genshin-wish-export
yarn install
yarn dev
工具采用MIT开源许可证,允许用户自由使用和修改。核心的数据处理模块位于src/main目录下,包括数据获取、Excel导出、配置管理等重要功能。
💡 实用技巧与建议
定期备份习惯:建议每1-2周导出一次数据,确保记录完整无遗漏。
数据分析应用:导出的Excel文件可以配合其他数据分析工具进行深度挖掘,比如计算特定角色的出货概率、分析抽卡时间规律等。
多设备同步:如果你在多个设备上玩游戏,记得在每个设备上都进行数据导出,然后手动合并数据文件。
genshin-wish-export是每个原神玩家都应该拥有的数据管理助手。通过定期使用这款工具,你不仅能保存珍贵的抽卡记忆,还能基于历史数据制定更科学的抽卡策略。现在就开始使用吧,让你的每一次抽卡都有据可查!
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0190
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0113
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08
