原神祈愿记录导出神器:genshin-wish-export 完全使用指南
想要完整保存和分析你的原神祈愿历史记录吗?genshin-wish-export 是一个基于 Electron 开发的强大工具,可以帮助你轻松导出原神祈愿数据到 Excel 表格中。这篇完整指南将带你一步步掌握这款神器的使用方法 🎮
✨ 工具核心功能
genshin-wish-export 通过读取游戏日志或代理模式获取访问祈愿记录 API 所需的 authKey,然后使用该密钥读取完整的祈愿历史数据。所有数据都会保存在工具目录下的 userData 文件夹中,新获取的记录会自动与本地数据进行合并。
📥 快速安装步骤
- 下载最新版本:从发布页面获取最新的工具压缩包
- 解压文件:将下载的压缩包解压到任意目录
- 运行程序:双击运行主程序即可开始使用
🚀 三步导出祈愿记录
第一步:打开游戏祈愿历史
首先启动原神游戏,进入祈愿界面并打开历史记录页面。
第二步:点击加载数据按钮
运行 genshin-wish-export 工具,点击界面上的"加载数据"按钮。
第三步:查看并导出数据
工具会自动读取祈愿数据,完成后你可以查看详细统计信息,并导出为 Excel 文件。
💾 Excel 导出功能详解
工具使用 exceljs.min.js 库来生成专业的 Excel 表格,包含以下特点:
- 多工作表结构:每个祈愿池单独一个工作表
- 完整数据字段:时间、名称、类型、稀有度、总次数、保底计数、备注
- 自动样式设置:根据不同稀有度自动设置字体颜色和粗细
- 多语言支持:根据游戏语言自动调整列宽和格式
🌍 多语言支持
genshin-wish-export 支持多种语言,所有翻译文件都位于 src/i18n/ 目录下。如果需要改进翻译或添加新语言,可以直接修改对应的 JSON 文件。
🔄 数据恢复与备份
如果你之前已经导出了 Excel 文件,可以通过在线工具恢复数据:
- 访问 genshin-gacha-export.danmu9.com
- 上传你的 Excel 文件并选择正确的 UID 和语言
- 下载生成的 JSON 文件
- 将文件复制到工具的
userData文件夹即可恢复数据
⚡ 高级使用技巧
多账号数据管理
工具支持导出多个账号的祈愿数据,只需点击旁边的加号按钮添加新账号,切换游戏账号后再次点击"加载数据"即可。
数据安全存储
所有祈愿数据都本地存储在 userData 文件夹中,确保你的游戏数据安全私密。
🛠️ 开发者信息
genshin-wish-export 采用 Electron 框架开发,使用 MIT 许可证开源。如果你对开发感兴趣,可以克隆仓库进行二次开发:
git clone https://gitcode.com/GitHub_Trending/ge/genshin-wish-export
cd genshin-wish-export
yarn install
yarn dev
📊 数据分析建议
导出 Excel 文件后,你可以使用更专业的数据分析工具如 genshin-gacha-analyzer 进行深度分析,获取更详细的抽卡统计和概率计算。
genshin-wish-export 是每个原神玩家必备的数据管理工具,让你轻松掌握自己的祈愿历史,更好地规划未来的抽卡策略!记得定期导出数据,避免祈愿记录被游戏刷新哦 🎯
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


