【亲测免费】 Obsidian Weread Plugin 下载及安装教程
1. 项目介绍
Obsidian Weread Plugin 是一个社区插件,用于将微信读书中的书籍元信息、高亮标注、划线感想、书评等同步到 Obsidian Vault 中。该插件将这些信息转换为 Markdown 格式保存,方便用户在 Obsidian 中进行笔记管理和知识整理。
2. 项目下载位置
Obsidian Weread Plugin 的项目源码托管在 GitHub 上。用户可以通过以下步骤下载项目:
-
打开终端或命令行工具。
-
使用
git clone命令下载项目:git clone https://github.com/zhaohongxuan/obsidian-weread-plugin.git下载完成后,项目文件将保存在当前目录下的
obsidian-weread-plugin文件夹中。
3. 项目安装环境配置
3.1 安装 Node.js
Obsidian Weread Plugin 依赖于 Node.js 环境。请确保在安装项目之前已经安装了 Node.js。
-
访问 Node.js 官方网站下载并安装最新版本的 Node.js。
-
安装完成后,在终端中运行以下命令验证安装是否成功:
node -v npm -v如果显示版本号,则说明 Node.js 安装成功。
3.2 安装 Obsidian
Obsidian Weread Plugin 是一个 Obsidian 插件,因此需要先安装 Obsidian 客户端。
- 访问 Obsidian 官方网站下载并安装 Obsidian。
- 安装完成后,打开 Obsidian 客户端。
3.3 配置项目环境
-
进入项目目录:
cd obsidian-weread-plugin -
安装项目依赖:
npm install此命令将自动安装项目所需的所有依赖包。
4. 项目安装方式
4.1 通过插件市场安装
- 打开 Obsidian 客户端。
- 进入“设置” -> “社区插件”。
- 在搜索框中输入“Weread”,找到“Weread Plugin”并点击“安装”。
- 安装完成后,点击“启用”使插件生效。
4.2 手动安装
- 在项目目录中找到
main.js和manifest.json文件。 - 将这两个文件复制到 Obsidian 的插件目录中。插件目录通常位于
Vault/.obsidian/plugins/下。 - 重新启动 Obsidian 客户端,插件将自动加载。
5. 项目处理脚本
Obsidian Weread Plugin 提供了一些处理脚本,用于同步微信读书中的笔记和标注。以下是一些常用的脚本:
5.1 同步脚本
在项目目录中,运行以下命令以同步微信读书中的笔记:
npm run sync
此命令将自动同步微信读书中的高亮标注和笔记到 Obsidian Vault 中。
5.2 更新脚本
如果需要更新插件,可以运行以下命令:
npm run update
此命令将更新插件到最新版本。
5.3 清理脚本
如果需要清理插件生成的文件,可以运行以下命令:
npm run clean
此命令将删除所有生成的文件,恢复插件的初始状态。
通过以上步骤,您可以成功下载、安装并配置 Obsidian Weread Plugin,开始在 Obsidian 中同步和管理微信读书的笔记。
kernelopenEuler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。C0134
let_datasetLET数据集 基于全尺寸人形机器人 Kuavo 4 Pro 采集,涵盖多场景、多类型操作的真实世界多任务数据。面向机器人操作、移动与交互任务,支持真实环境下的可扩展机器人学习00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
AgentCPM-ReportAgentCPM-Report是由THUNLP、中国人民大学RUCBM和ModelBest联合开发的开源大语言模型智能体。它基于MiniCPM4.1 80亿参数基座模型构建,接收用户指令作为输入,可自主生成长篇报告。Python00