醒非说

例子 6:把聊天记录从窗口里取出来

2026-10-22

我攒了几十万字的对话,全在别人的网页和客户端里。

这篇只写我实际用成的办法和踩的坑,不写我排除了什么。

我要的是全文

平台给的"导出"经常是残的:没时间、没分角色、段落糊在一起。
我那份拿去给 AI 读,它读一半问:中间是不是少了一段?我一对,少了整整一段对话。

所以我得自己取。

网页(豆包、DeepSeek 这类):一个窗口一屏一屏读

通道:系统的可访问性接口

不用管浏览器什么内核,系统有 UI Automation(本来是给读屏软件用的),
它能直接给出当前标签页已经渲染出来的全部文字:

doc = 找到浏览器窗口里的 Document 元素
text = doc.TextPattern.DocumentRange.GetText(-1)

两个前提,缺一不可:

  1. 只能拿"当前活动标签" —— 同窗口开了几个标签,得先切过去。
  2. 只能拿"已经渲染的" —— 老消息在上面,得往上滚着读。

所以真正的问题是:怎么滚、滚多少、滚到什么程度算到顶。

滚轮的两个坑

方向反:mouse_event(WHEEL, 0, 0, +120) 是向上滚(往更早),-120 是向下。
我第一次当反了,滚半天原地不动。

小步长推不动:滚 10 格页面基本不动(平滑滚动和惯性把小事件吃掉了)。
实测 12 次 × 600 单位 ≈ 一屏。

怎么验证真的动了?别盯滚动条,前后各读一次文本,比多了几行少了几个字。

还有一条:模拟键鼠前必须抢到前台。后台直接 SetForegroundWindow 会被拒,
要先把自己的线程和前台线程接起来(AttachThreadInput),而且每轮都要确认前台还是它 ——
被别的窗口抢走一次,后面全滚到别人家去了。

豆包:累积型 —— 拼接前先剥常驻块

它的可访问性文本近似三块:

侧栏(话题列表)     ← 一直在,共同前缀
可见窗口 W           ← 随滚动滑动
常驻的"最新几条" N   ← 永远在,共同后缀

且 DOM 会累积。所以拼接前先剥掉侧栏和 N,再把 W 按"新窗口头部 == 已拼结果尾部"接上。

不剥 N 就是十倍重影——同一段话在整份文本里出现十遍,我第一次就这么错的。

DeepSeek:滑动窗口 —— 只能重叠缝合

同一个办法搬过去直接失败:它的快照长度忽大忽小(18000 → 44000 → 34000 字),
滚上去时老消息从树里滑出去,不累积。

所以不能取最长的那次,要重叠缝合:

  1. 每张快照先剥侧栏(终止标记是那行邮箱地址);
  2. 拿新快照开头 1~6 行去旧结果里找锚(从后往前找,取最大重叠);
  3. 找到后再校验后面 40 行有 85% 以上一致才接上;
  4. 接不上就插一个 <!-- 此处可能有缺口 -->,不硬凑。

这样缝完 5 个会话:缺口 0、重复 0。

说话人怎么分

豆包这边试过按横坐标猜、按时间戳切轮次、按操作条位置切,三版全漂(我的提问被吞掉大半)。

最后正解特别朴素:我发的消息是右对齐气泡,右边缘永远在同一根线上。
1920 宽窗口下,这个右边缘恒在 1574 左右(x + width);助手正文从 607 起,永远碰不到。

判别式就一行:x >= 1000 且 1540 <= x+width <= 1586,并且这行不是时间戳。

DeepSeek 更简单也更烦:页面上根本没说活人标记、也没有时间戳,只能按块交替。

什么时候算"到顶了"

"文本连续几次没变"这个判据两个平台都是坑:

现在的做法:每次"没变化"就主动上下抖一下触发懒加载,连续 12 轮无变化才认到顶(豆包用 6 轮)。

验收不看"程序说完了",看已知的第一条消息在不在 ——
那份对话第一句是"正常的火背雷龙鱼是什么样子的",2025-02-28 23:07,抓完能在开头找到它才算数。

(另外:锁屏会让模拟键鼠失效,文本当然也不变,很容易误判到顶。
判据是反向滚一下——真有变化,说明页面还能动。)

不读正文也能判好坏

几十万字我不可能从头读,就做机械自检:

  1. 日期分隔行:把所有 M月D日 HH:MM 解析成数字,数唯一值几个、倒挂几处。干净的只会单调向前。
  2. 重复 200 字滑窗:全文按 200 字滑窗切一遍,看有多少块出现两次以上。干净的话 ≈ 0。
  3. 首尾锚点:开头该是第一条、结尾该是最新一条。
  4. 角色:我和它的块数应该差不多,严格交替(相邻同角色 0 次)。

两个小结论:页面上那个"展开全部"不用点(正文本来就在页面里,点了只差 17 个字);
图片和附件拿不到(可访问性文本里是 U+FFFC 占位),所以这条路只取文字。

微信:先在本机认字,再把字交给 AI

数据库和界面那两层没走——不值得。微信只留了屏幕,所以起点是截图。

但截图不要直接喂给多模态模型。先在本机把字认出来:Windows 自带 OCR(Windows.Media.Ocr),
离线、不联网、不花钱。

三个参数是试出来的:

  1. 放大 3 倍再认。 1 倍认出来的错字一眼可见("自己"认成"目己"),3 倍明显好。
  2. 按行聚类的容差给 0.45 个字高。 给到 0.6,相邻两行会被并成一行、按横坐标重排, 出来的句子读不成句——我第一版就是这么废的。
  3. 纯标点的碎行直接丢(气泡下那根小横线、时间戳旁的冒号,都会被认成"一")。

OCR 剩下的错只有两类:单笔画字容易掉("一样"成"样"),形近字认错("习惯"成"习愠")。
这些不用人工校——把文字整段丢给大模型,让它按"这是一段微信聊天"重排、补字,
读起来就是原文。认字和补字分开,各自做自己做得好的那半。

代价很直白:8 张图直接给多模态模型,那个会话跑了 563 次读图、6 块多钱;OCR 是 0。

要接得住长对话,还是守一条:相邻两屏留重叠(宁可重复两行,不可缺一段)。
判据一样——上一屏结尾几行,必须能在下一屏开头找到。

截之前确认最上面那一层是微信。 我踩过一次:程序"截了微信窗口",
出来的却是一堆文件名——资源管理器盖在最上面。更恶心的是之前的像素判断全"通过"了,
等于全程在分析一张错图。

三句话


别人嘴里的"不行",到我这只能算"待验"。
但该较真的时候较真,不必较真的时候,不较真 ——
我们的目标是解决问题,仅此而已。