OutLook2016修改注册表迁移.ost文件数据

简介:

Outlook2016默认只有一次设置存放OST文件路径的机会,是在第一创建帐号的向导上有个其他设置。如果关闭这个向导,在打开就不能修改路径了。


按照这样思路,我们先关闭Outlook和Skype(新版共用一个数据库文件),找到OST文件路径。AppData是隐藏目录。


注意:删除账户会将.ost文件一起删除,要在删除帐号前先去复制文件。


默认:C:\Users\你的用户名\AppData\Local\Microsoft\Outlook

开始 -- 控制面板 -- Mail(Microsoft Outlook 2016)(32-bit) -- 数据文件。

wKiom1lAyUzB34VpAAFiPodyjEE324.png

点开后就知道你的数据文件放在上面地方了。把对应的OST数据文件复制到你想存放的路径下。


先删除之前设置的账户,在点击--电子邮件--新建

wKioL1lAyd3Q0YEFAAEJnBYtZwk018.png

等待填写帐号验证完成。

wKioL1lAyvaRAcX3AAFuu-CPQdo819.png

wKioL1lAyvfD2QF6AAEaHdK6rzA259.png

wKiom1lAyveimrruAAGP9EPLlsQ022.png

现在的“浏览”按钮是可以点击的。然后选择到你之前放的路径下OST文件,点确定即可。

wKiom1lAyvjxaPRFAACV8lVjfoE951.png


如果已经设置完,也关闭了向导,那就只能用注册表去修改了。

注意:操作注册表会有一定危险性,修改前请先导出备份。


打开注册表:

开始--运行(Win徽标键+R)-- regedit --回车,找到如下所在注册表路径:

1
2
[HKEY_CURRENT_USER\SOFTWARE\Microsoft\Office\16.0\Outlook\Profiles\
配置文件名\随机32位MD5]下的001f6610值里

配置文件名可以在,开始--控制面板--Mail(Microsoft Outlook 2016)(32-bit)--配置文件里看到。

wKiom1lB-9Kja78qAANEAXaqCAI133.png

随机MD5值因为不是固定的,一般先找可以展开的三角(红方框里那个),大家可以找找,找到里面包含001f6610这个固定值就说明找对了。

wKioL1lB_QjyiKDlAADYcmxGE2U803.png

里面是以十六进制(Hex)存放的,按上面的教程,将已经创建了新的路径,假设目标路径是

1
D:\Program Files\Outlook\wutou@wutou.net.ost

注意:我的路径中有个空格,在转换时要加入。

先看看我们修改完的结果。大家应该看到一个规律,每个ASCII码字符后都跟一个空格(00),。

wKiom1lA_VmD5LDMAAAzOkNbjgk390.png

下面就开始将ASCII字符转换成十六进制(在线编码转换网站百度一堆,我使用的是:在线转换

注册表里为了对齐数据,下面是要注意修改的:

  1. 路径中m和F中间也有空格,为了对齐手动加入。

  2. 需要添加空格。

  3. 原有空格也要转换。

  4. 十六进制默认有前导0x我们不需要删除。

  5. 最后一个字符ost的t后也要加一个空格。

wKiom1lA_0WTrnqTAADDyRBmZeo739.png

下面还没完,因为这空格加的是URL的空格20,我们需要是程序的空格00,我们去批量替换。

(图片大小原因截图略去一部分)

wKioL1lBANTS4sp0AABDtvQmg3I305.png


注意,在替换过程中有的变成两“,”我们修改成一个。

(图片大小原因截图略去一部分)

wKiom1lBANXjmRhWAAAV3U5qeZo078.png

创建注册表文本:

打开一个记事本,将下面内容复制到记事本里,将hex:后的内容替换成你的。

1
2
3
4
5
6
Windows Registry Editor Version 5.00
[HKEY_CURRENT_USER\SOFTWARE\Microsoft\Office\16.0\Outlook\Profiles\配置文件名\b17b087c86f954419a37fb8e68cbf716]
"001f6610" =hex:44,00,3a,00,5c,00,50,00,72,00,6f,00,67,00,72,00,61,00,6d,00,\
00,00,46,00,69,00,6c,00,65,00,73,00,5c,00,4f,00,75,00,74,00,6c,00,6f,00,6f,00,\
6b,00,5c,00,77,00,75,00,74,00,6f,00,75,00,40,00,77,00,75,00,74,00,6f,00,75,00,2e,\
00,6e,00,65,00,74,00,2e,00,6f,00,73,00,74,00

保存文件问后缀为.reg 文件名可随意,然后双击导入--选择是。

wKioL1lBAqjh1p-eAAAfkZFHLbo499.png

导入完成,重新打开注册表看修改的键值,如果变化了,说明修改成功,在从控制面板里打开mail设置看看数据文件路径是否变成设置的。


如果修改值没变,说明你上面转换有误,请仔细检查。



本文转自 piazini 51CTO博客,原文链接:http://blog.51cto.com/wutou/1936548


相关文章
|
3月前
|
编解码 算法
信号分析中的经验模态分解和希尔伯特变换
信号分析中的经验模态分解(EMD) 和希尔伯特变换(HT) 是处理非线性、非平稳信号的强大工具。它们共同构成了希尔伯特-黄变换(Hilbert-Huang Transform, HHT) 的核心。
|
9月前
|
机器学习/深度学习 人工智能 机器人
上周多模态论文推荐:MAPS、MapGlue、OmniGeo、OThink-MR1
由西安交通大学、新加坡国立大学和南洋理工大学联合提出,该工作推出了MAPS框架,利用基于Big Seven人格理论的七个智能体和苏格拉底式引导,解决多模态科学问题(MSPs)。通过四阶段求解策略和批判性反思智能体,MAPS在EMMA、Olympiad和MathVista数据集上超越当前最佳模型15.84%,展现了卓越的多模态推理与泛化能力。
434 1
|
存储 自然语言处理 关系型数据库
MySQL 自定义变量并声明字符编码
MySQL 自定义变量并声明字符编码
468 1
|
存储 JSON 安全
Token验证技术文档
【7月更文挑战第6天】Token验证是现代Web应用中常见的安全措施,用于确保用户身份的合法性和请求的安全性。它基于令牌(Token)的概念,通过在客户端和服务端之间传递一个安全的、有时限的字符串来验证用户身份,替代传统的基于会话的认证机制。本文档旨在介绍一种基本的Token验证流程,并提供一个简单的代码示例,使用JSON Web Tokens (JWT) 实现这一过程。
1691 1
|
存储 编解码 文件存储
Windows 中的硬链接、目录联接(软链接)、符号链接、快捷方式
【10月更文挑战第5天】本文介绍了四种链接类型的概念及用途:硬链接允许通过多个入口访问同一文件内容,适用于不复制文件的情况下提供多处访问;软链接(目录联接)用于创建目录间的虚拟映射,可跨越文件系统;符号链接则更为灵活,可链接文件或目录并指向任意路径;快捷方式则是Windows中常用的一种特殊文件类型,便于快速访问程序、文件或网络资源。分别描述了它们的定义、工作原理、特点以及创建方法。
3458 10
ly~
|
存储 监控 小程序
除了 Web 开发,PHP 还可以应用于哪些领域?
PHP 在 Web 开发之外还有多个应用场景:1)命令行脚本,如批量处理文件、数据库管理及系统监控;2)利用 PHP-GTK 等工具开发桌面应用,满足特定业务需求;3)结合微信云开发功能支持微信小程序后端,处理数据存储与用户认证;4)为小型游戏或特定类型游戏开发游戏服务器逻辑;5)在物联网领域作为后端语言处理设备数据交互与分析。
ly~
529 4
|
Linux 网络安全 开发工具
内核实验(二):自定义一个迷你Linux ARM系统,基于Kernel v5.15.102, Busybox,Qemu
本文介绍了如何基于Linux Kernel 5.15.102版本和BusyBox创建一个自定义的迷你Linux ARM系统,并使用QEMU进行启动和调试,包括内核和BusyBox的编译配置、根文件系统的制作以及运行QEMU时的命令和参数设置。
1347 0
内核实验(二):自定义一个迷你Linux ARM系统,基于Kernel v5.15.102, Busybox,Qemu
|
域名解析 关系型数据库 MySQL
mysql中出现Unit mysql.service could not be found 的解决方法
mysql中出现Unit mysql.service could not be found 的解决方法
7320 1
|
XML 存储 安全
doc 和 docx 文件的区别
doc 和 docx 文件的区别
1463 5
|
人工智能
拯救被掰弯的GPT-4!西交微软北大联合提出IN2训练治疗LLM中间迷失
【6月更文挑战第1天】研究人员为解决大型语言模型(LLM)的“中间迷失”问题,提出了IN2训练方法。此方法通过显式监督增强模型对长文本上下文的理解,改善了信息检索能力。应用IN2训练的FILM-7B模型在长文本任务上表现出色,尤其在NarrativeQA数据集上的F1分数提升了3.4。尽管面临数据合成和计算成本的挑战,IN2训练为LLM的进步开辟了新途径,预示着未来在长文本处理领域的潜力。论文链接:https://arxiv.org/pdf/2404.16811
282 5