PyWxDump命令速查表:10分钟掌握微信数据导出全技巧
你是否还在为记不住PyWxDump的命令参数而烦恼?是否在导出微信聊天记录时因操作复杂而效率低下?本文整理了PyWxDump所有常用命令,配合清晰示例和操作截图,让你10分钟内从入门到精通,轻松搞定微信数据导出、解密与分析。
读完本文你将掌握:
- 快速获取微信账号信息的3个核心命令
- 数据库解密的完整参数配置方案
- 聊天记录导出为HTML的2种高效方法
- 图形界面与API服务的启动技巧
- 常见错误的排查与参数组合策略
基础命令概览
PyWxDump采用模块化设计,所有功能通过子命令调用。基础语法结构如下:
wxdump <mode> [options]
其中<mode>为必选操作模式,[options]为可选参数。通过wxdump -h可查看完整帮助信息,核心命令模块对应源码中的cli.py实现,主要包含信息获取、数据库操作、服务启动三大类功能。
命令模块分类
| 功能类别 | 主要命令 | 适用场景 |
|---|---|---|
| 信息获取 | info bias wx_path |
获取账号信息、基址偏移、文件路径 |
| 数据库操作 | decrypt merge dbshow |
解密、合并、查看聊天记录 |
| 服务启动 | ui api |
启动图形界面或API服务 |
提示:已废弃命令(
allexport)在最新版本中已移除,建议使用ui命令替代,对应实现代码见cli.py#L322-L344
信息获取命令详解
1. 获取微信账号信息(info)
该命令用于提取当前登录微信的关键信息,包括昵称、账号、手机、数据库密钥等核心数据,实现逻辑位于wx_info.py。
基础用法:
wxdump info
高级参数:
wxdump info -vlp /path/to/custom_offsets.json
-vlp:指定自定义微信版本偏移文件路径,默认使用内置的WX_OFFS.json
输出示例:
{
"wxid": "wxid_abc123",
"nickname": "测试账号",
"mobile": "138****5678",
"db_key": "A1B2C3D4E5F6A7B8"
}
2. 基址偏移获取(bias)
当需要支持新微信版本时,需通过此命令获取内存基址偏移,相关算法实现见get_bias_addr.py。
必填参数:
wxdump bias --mobile 13800138000 --name "测试昵称" --account test@example.com
--mobile:绑定手机号(需准确)--name:微信昵称(区分大小写)--account:微信账号(邮箱/QQ号)
可选参数:
wxdump bias ... --key A1B2C3D4 --db_path "C:\WeChat Files\wxid_abc123"
--key:已知数据库密钥(加速计算)--db_path:指定微信数据文件夹路径
3. 查找数据库路径(wx_path)
自动定位微信数据库文件位置,支持多账户识别,实现代码位于wx_core/utils/common_utils.py。
基础用法:
wxdump wx_path
筛选参数:
wxdump wx_path -r MSG;MediaMSG -id wxid_abc123
-r:指定需要查找的数据库类型(英文分号分隔)-id:按wxid筛选特定用户的数据库
返回结果:
C:\WeChat Files\wxid_abc123\Msg\MSG.db
C:\WeChat Files\wxid_abc123\Msg\MediaMSG.db
数据库操作命令实战
1. 解密数据库(decrypt)
微信数据库采用SQLCipher加密,该命令使用获取到的密钥进行解密,核心解密算法实现见decryption.py。
完整解密流程:
wxdump decrypt -k A1B2C3D4E5F6A7B8 -i /path/to/MSG.db -o ./decrypted
-k:数据库密钥(必填,长度32字符)-i:输入路径(支持单个文件或目录批量处理)-o:输出目录(自动创建不存在的文件夹)
批量解密示例:
wxdump decrypt -k <key> -i ~/WeChat Files/*/Msg -o ./all_decrypted
此命令会解密所有账户的消息数据库,解密进度可通过终端输出查看。
2. 合并数据库(merge)
当存在多个数据库文件(如多设备备份)时,可使用此命令合并为单一数据库,便于后续分析,实现代码位于merge_db.py。
基础用法:
wxdump merge -i MSG_1.db,MSG_2.db -o merged_MSG.db
-i:待合并文件路径(英文逗号分隔)-o:输出文件路径(默认生成merge_all.db)
注意事项:
- 仅支持同类型数据库合并(MSG.db只能与MSG.db合并)
- 合并大文件(>1GB)可能需要5-10分钟,期间终端会显示进度条
- 合并后的数据库可直接用于
dbshow命令查看
3. 查看聊天记录(dbshow)
解密后的数据库可通过此命令启动本地查看服务,支持文本、图片、语音等多媒体内容展示,前端界面文件位于ui/web目录。
启动命令:
wxdump dbshow -merge /path/to/merged.db -wid ~/WeChat Files/wxid_abc123
-merge:指定合并后的数据库路径-wid:微信文件路径(用于加载图片等资源)
启动成功后,访问http://127.0.0.1:5000即可在浏览器中查看聊天记录,界面效果如下:
提示:添加
--online参数可允许局域网访问,适合多设备协同分析
服务启动命令
1. 图形界面(ui)
对于非技术用户,推荐使用ui命令启动Web图形界面,全程鼠标操作完成所有任务,对应实现见local_server.py。
最简启动:
wxdump ui
自动打开浏览器访问http://127.0.0.1:5000,默认端口5000。
端口与网络配置:
wxdump ui -p 8080 --online --noOpenBrowser
-p:指定端口号(1024-65535)--online:允许外部网络访问--noOpenBrowser:仅启动服务不自动打开浏览器
2. API服务(api)
开发人员可通过api命令启动无界面服务,配合HTTP请求实现自动化操作,API文档位于api/remote_server.py。
启动命令:
wxdump api -p 8000 --debug
--debug:启用调试模式,错误信息更详细
API示例: 获取账号信息:
curl http://localhost:8000/api/info
解密任务提交:
curl -X POST http://localhost:8000/api/decrypt -d '{"key":"<key>","input":"<path>"}'
实战场景组合命令
场景1:完整数据导出流程
# 1. 获取密钥
wxdump info -s ./wx_info.json
# 2. 解密数据库
wxdump decrypt -k $(jq -r .db_key ./wx_info.json) \
-i $(jq -r .db_path ./wx_info.json) \
-o ./decrypted_db
# 3. 启动查看器
wxdump dbshow -merge ./decrypted_db/MSG.db \
-wid $(jq -r .wx_path ./wx_info.json)
场景2:多账户数据合并分析
# 1. 获取所有账户路径
wxdump wx_path -r MSG > account_paths.txt
# 2. 批量解密
while read path; do
wxdump decrypt -k <common_key> -i $path -o ./decrypted/$(basename $(dirname $path))
done < account_paths.txt
# 3. 合并数据库
find ./decrypted -name "MSG.db" | tr '\n' ',' | xargs wxdump merge -i - -o all_accounts.db
常见错误排查
| 错误提示 | 可能原因 | 解决方案 |
|---|---|---|
| 密钥长度错误 | 密钥格式不正确 | 使用info命令重新获取 |
| 数据库文件不存在 | 微信路径错误 | 检查wx_path命令输出 |
| 端口占用 | 服务已启动 | 使用-p指定其他端口或关闭现有服务 |
更多错误码说明见utils/_loger.py中的错误处理逻辑
命令参数速查表
信息获取类
| 命令 | 核心参数 | 必选 | 示例值 |
|---|---|---|---|
info |
-vlp |
否 | ./custom_offsets.json |
bias |
--mobile |
是 | 13800138000 |
wx_path |
-id |
否 | wxid_abc123 |
数据库操作类
| 命令 | 核心参数 | 必选 | 示例值 |
|---|---|---|---|
decrypt |
-k, -i |
是 | A1B2..., ./MSG.db |
merge |
-i |
是 | db1.db,db2.db |
dbshow |
-merge |
是 | ./merged.db |
服务启动类
| 命令 | 核心参数 | 必选 | 示例值 |
|---|---|---|---|
ui |
--online |
否 | - |
api |
--debug |
否 | - |
总结与进阶
通过本文介绍的命令组合,可满足从简单导出到复杂分析的全场景需求。对于高级用户,建议深入研究以下模块源码:
- 内存搜索算法:memory_search.py
- 数据库模型定义:dbMSG.py
- 导出功能实现:exportHtml.py
项目持续迭代中,新功能发布信息可关注CHANGELOG.md。建议定期执行pip install -U pywxdump保持版本更新,体验更稳定的微信数据处理能力。
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
