本仓库同时包含两大部分：
- 备份工具代码（可复用抓取任意公众号已发文）
- 已完整备份的个人公众号《文不加点的张衔瑜》全文语料（可直接阅读、研究与再训练）
- 文章总目录（编年排序，含年度字数/图片合计、全局编号）：
Wechat-Backup/文不加点的张衔瑜/目录.md - 主题合集（按主题分类，含专题下的文章详情和格式规范）：
Wechat-Backup/文不加点的张衔瑜/合集.md - 语料主目录（含全部文章的 HTML/MD/images/meta）：
Wechat-Backup/文不加点的张衔瑜/
🎯 本工具专为《文不加点的张衔瑜》个人公众号设计
- 定位：个人日记型公众号，记录日常生活、旅行见闻、思想火花与社会观察。
- 时间跨度与规模：累计八年写作，已备份八十万字、近四百篇图文（见
Wechat-Backup/）。 - 学术与兴趣背景：哲学博士，关注与涉猎 AI、计算化学、生物医药、周易等领域，探索科技与哲学的边界（已在公众号完成个人职业兴趣认证）。
- 组织方式：按年份/日期自动归档；每篇含
HTML、Markdown、images/与meta.json，便于阅读、复用与研究。 - 使用目的：为自我存档、长期复盘、社会现场的自反式研究，以及后续的语料分析与个性化对话模型提供高质量素材。
- 备份工具代码：
- 脚本入口：
script/wx_publish_backup.py - 配置示例：
env.json.EXAMPLE（复制为env.json后填写） - 文档：
script/README.md、docs/TROUBLESHOOTING.md
- 脚本入口：
- 已备份语料（可直接阅读/研究/再训练）：
- 主目录：
Wechat-Backup/文不加点的张衔瑜/ - 编年目录：
Wechat-Backup/文不加点的张衔瑜/目录.md（按时间顺序） - 主题合集：
Wechat-Backup/文不加点的张衔瑜/合集.md（按主题分类）
- 主目录：
原本计划通过官方渠道进行备份，于是我自己写作了 @xianyu564/wechat_official_backup 项目。
然而，微信官方在 2025年7月 停用了关键的 freepublishGetarticle 接口（/cgi-bin/freepublish/getarticle），
这个时间点恰好比我开始备份的想法早了一个月。
git clone https://github.com/xianyu564/scrape-my-wechat-official-account.git
cd scrape-my-wechat-official-accountpip install -r requirements.txt复制 env.json.EXAMPLE 为 env.json，填写配置信息
cd script
python wx_publish_backup.py面向想直接复用本工具的开发者：不改代码，配置好
env.json即可跑通。
- 复制示例配置：
- 将项目根目录下的
env.json.EXAMPLE复制为env.json - 至少填写三项：
- 将项目根目录下的
{
"WECHAT_ACCOUNT_NAME": "你的公众号名称",
"COOKIE": "从浏览器开发者工具复制的Cookie",
"TOKEN": "发表记录页URL中的token值"
}- 运行（任选其一）：
- Windows PowerShell
py -3 script\wx_publish_backup.py- macOS / Linux（终端）
python3 script/wx_publish_backup.py- 输出位置：
- 文章会按年份落到
Wechat-Backup/<你的公众号名称>/YYYY/下 - 每篇文章目录包含：
*.html、*.md、meta.json、images/
- 文章会按年份落到
- 403 或“预检失败”：Cookie/Token 过期 → 重新抓取
- HTML 打开空白：用
python -m http.server启动本地静态服务器后访问 - 速度过快被限流：适当调大
SLEEP_LIST/SLEEP_ART/IMG_SLEEP
pip install -r requirements.txt说明：依赖详解见
requirements.txt。
- 复制
env.json.EXAMPLE为env.json - 最少填写：
WECHAT_ACCOUNT_NAME、COOKIE、TOKEN - 可选调整：
COUNT、SLEEP_LIST、SLEEP_ART等速率参数
详细的 Cookie/Token 获取操作与截图：见
script/README.md的“获取 Cookie 与 Token（简版）”。 完整参数说明与最佳实践：见docs/TROUBLESHOOTING.md与script/README.md。
cd script
python wx_publish_backup.py备份文件将保存在 Wechat-Backup/<微信公众号名称>/ 目录下：
Wechat-Backup/<微信公众号名称>/
├── 2025/
│ ├── 2025-08-26_文章标题1/
│ │ ├── 2025-08-26_文章标题1.html # 可双击离线打开
│ │ ├── 2025-08-26_文章标题1.md # 外链保留，适合 GitHub/Obsidian
│ │ ├── meta.json
│ │ └── images/
│ └── ...
└── _state.json # 已抓取链接指纹，供断点续传
- 主目录：
Wechat-Backup/文不加点的张衔瑜/ - 编年目录：
Wechat-Backup/文不加点的张衔瑜/目录.md（按时间顺序浏览） - 主题合集：
Wechat-Backup/文不加点的张衔瑜/合集.md（按主题分类浏览）
每篇文章目录包含：
*.html、*.md、meta.json、images/。编年目录提供年度字数/图片合计与全局编号；主题合集按年份与类别重新组织，便于主题式阅读。
本项目现已具备学术会议标准的语料分析系统，提供：
- 🎨 高质量词云生成: 覆盖2017-2025全年份，支持中文显示，备份于
.github/assets/wordclouds/ - 📈 科学级语言学分析: Zipf定律、Heaps定律、TF-IDF、词汇多样性等指标
- 🔤 智能分词与N-gram: 支持中英混合文本，可变长度n-gram分析
- 📋 自动化报告: 完整的数据驱动分析报告生成
- 🎓 学术标准: 符合WWW/SIGIR/ICWSM等顶级会议要求的性能基准测试与质量评估
左: 2024年度词云 | 右: 完整语料词云 (2017-2025)
快速开始分析:
cd analysis/
python main.py # 完整分析 + 可视化学术级功能:
# 性能基准测试 (符合学术会议标准)
python analysis/benchmark_wordcloud.py
# 高级可视化 (多种学术配色方案)
python analysis/enhanced_wordcloud_viz.py
# 质量评估 (自动学术标准评分)
python analysis/evaluation_metrics.py自定义词云生成:
# 特定时间段 (如 2020.08-2024.12)
python analysis/generate_wordclouds.py --start-date 2020-08-01 --end-date 2024-12-31
# 特定年份
python analysis/generate_wordclouds.py --years 2020,2021,2022,2023,2024详细文档：analysis/README.md | analysis/WORDCLOUD_GUIDE.md
- 从这里开始：
Wechat-Backup/文不加点的张衔瑜/目录.md（编年浏览）或合集.md（主题浏览） - 研究路线建议：见
docs/FUTURE_VISION.md（“先获得感 → 认知/成长挖掘 → 语义检索/RAG → 个性化模型”） - 管理与进展：见
STATUS.md（阶段性目标与完成度）
提示：若你希望进行词频/主题/年度分析，建议以
*.md作为语料输入；若做版式与图片回看，使用*.html更直观。
我们欢迎所有形式的贡献！请查看 贡献指南 了解如何参与项目开发。
- 🐛 报告Bug
- 💡 提出新功能建议
- 📝 改进文档
- 🔧 提交代码修复
- 🌟 给项目点星
本项目采用 贡献者公约 作为行为准则。我们致力于为每个人创造友好、包容的环境。
如果您发现了安全漏洞，请查看 安全政策 了解如何私下报告。
重要：请不要在公开渠道中报告安全漏洞。
本项目采用双重许可证：
- 代码: MIT License - 允许自由使用、修改和分发代码
- 内容: Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International - 允许非商业用途的分享和改编
env.json包含敏感信息，已添加到.gitignore- 建议设置合理的抓取间隔，避免被限制访问
- 备份目录会自动创建，无需手动创建
- 请遵守微信公众平台的使用条款
- 版本: 1.1.0
- 状态: 活跃维护
- Python版本: 3.9+
本项目不仅是一个备份工具，更是个人知识资产的基础设施。基于仓库内已备份的八十万字、近四百篇个人文章，我们规划了以下发展方向：
- 利用个人写作风格和知识结构训练专属AI助手
- 保持与作者一致的表达方式和思维模式
- 传承个人在AI、计算化学、生物医药、周易等领域的知识
- 词频分析和写作风格研究
- 主题演化追踪和知识图谱构建
- 为内容创作和学术研究提供数据支持
💡 了解更多：详细的项目展望请查看 STATUS.md
🧭 同时建议阅读研究计划：FUTURE_VISION.md。该计划以“先获得感（词频/年度/主题）→ 认知与成长挖掘（人物/地点/情绪/价值观）→ 语义检索/RAG → 个性化模型”的顺序推进，并强调“自反式个人社会现场研究”和“兴趣导向的任务编排”。
个人 微信赞助
|
个人 新加坡 PayNow
|
我创业的公司 赞助码
|
遇到“预检失败/403、空白HTML、限速、断点续传”等问题，请参考：
docs/TROUBLESHOOTING.md（完整指南）script/README.md（平台命令对照与错误恢复速查）
- 含空格/括号/特殊字符的路径已在目录中做 URL 编码处理（如空格→
%20，(→%28）。 - 本地直接打开 HTML 可能受浏览器策略限制，建议用
python -m http.server启动静态服务器后访问。 - Windows 路径大小写与编码请遵循仓库现状，避免自行改名导致链接失效。
如果您需要帮助：
凡没有把我杀死的，都没有把我杀死。
