星穹铁道跃迁记录导出工具使用指南
2026-02-06 05:20:41作者:冯爽妲Honey
项目介绍
Star Rail Warp Export 是一个专门用于导出《崩坏:星穹铁道》游戏抽卡历史记录的工具。该项目基于Electron框架开发,支持Windows 64位操作系统,能够通过读取游戏日志或代理模式获取访问游戏跃迁记录API所需的authKey,从而读取并导出完整的游戏抽卡记录。
功能特点
- 多语言支持:内置简体中文、繁体中文、英语、日语、韩语、法语、德语、西班牙语、葡萄牙语、俄语、泰语、越南语、印尼语等多种语言界面
- 多账号管理:支持导出多个游戏账号的抽卡记录数据
- 数据可视化:提供详细的抽卡统计和图表展示功能
- 数据导出:支持将抽卡记录导出为多种格式
安装与使用
环境要求
- Windows 64位操作系统
- Node.js环境(开发模式需要)
- Yarn包管理器
快速安装
# 克隆项目代码
git clone https://gitcode.com/gh_mirrors/st/star-rail-warp-export.git
# 进入项目目录
cd star-rail-warp-export
# 安装依赖模块
yarn install
# 开发模式运行
yarn dev
# 构建可执行程序
yarn build
使用步骤
- 下载并解压工具:获取最新版本的程序包并解压到任意目录
- 打开游戏跃迁详情页面:在游戏中进入抽卡记录界面
- 加载数据:运行工具并点击"加载数据"按钮
- 查看统计结果:工具会自动读取数据并显示统计信息
开发说明
项目结构
src/
├── i18n/ # 多语言配置文件
├── main/ # 主进程代码
│ ├── module/ # 功能模块
│ ├── utils/ # 工具函数
│ └── update/ # 更新模块
└── renderer/ # 渲染进程代码
└── components/ # Vue组件
多语言配置
工具支持多语言界面,所有语言配置文件位于src/i18n/目录下。如果需要添加新的语言支持或改进现有翻译,可以修改对应的JSON文件。
构建选项
项目提供多种构建配置:
# Windows 32位构建
yarn build:win32
# Windows 64位构建
yarn build:win64
# Linux构建
yarn build:linux
# macOS构建
yarn build:mac
# 仅清理构建
yarn build:clean
技术栈
- 前端框架: Vue 3
- UI组件库: Element Plus
- 构建工具: Vite + Rollup
- 桌面端: Electron
- 图表库: ECharts
- 样式处理: Tailwind CSS + PostCSS
注意事项
- 工具需要在游戏跃迁详情页面打开时才能正确获取数据
- 支持多个游戏账号数据的导出和管理
- 导出数据仅用于个人记录和分析,请勿用于商业用途
- 定期更新工具以获取最新版本的功能和兼容性改进
许可证
本项目采用MIT开源协议,允许自由使用、修改和分发。详细许可证内容请查看项目根目录下的LICENSE文件。
通过使用Star Rail Warp Export工具,玩家可以方便地导出和分析自己的抽卡记录,更好地了解抽卡概率和资源分配情况。
登录后查看全文
热门项目推荐
相关项目推荐
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 StartedRust0191
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 Notebook0118
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
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01
项目优选
收起
暂无描述
Dockerfile
765
4.97 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
857
1.93 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
680
1.33 K
Ascend Extension for PyTorch
Python
719
879
deepin linux kernel
C
32
16
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
456
438
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.08 K
1.1 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
151
252
CANN 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 Notebook
303
118
昇腾LLM分布式训练框架
Python
178
220


