01. 前言：Apple Health 的数据围城

导出过 Apple 健康数据的朋友都深有体会：苹果给我们的不仅是数据，更是一道技术门槛。

1、文件巨大： 数 GB 的 导出.xml。

2、格式混乱： 记事本打不开，Excel 内存溢出。

3、AI 难读： 原始 XML 的层级结构让 LLM在处理长周期趋势时产生幻觉。

为打破这道门槛，我开发了Apple Health Pro🍎。 

---

02. 用户指南：3 步实现“健康数据自由”

第一步：iPhone 端的原始导出

在健康 App 中点击头像 -> “导出所有健康数据”。这一步你将得到一个 导出.zip。

第二步：Apple Health Pro 精准洗数

启动应用（支持 macOS 和 windows 双平台）

1、加载： 点击 SELECT DATA ARCHIVE。

2、过滤： 在 IDENTIFIED SOURCES 列表中勾选你信任的来源，剔除冗余的第三方 App 记录。

3、执行： 点击 EXECUTE EXPORT。

第三步：让 AI 成为你的“数字私人医生”

导出的 CSV 经过了维度归纳（心率、呼吸、睡眠等 7 大类以及 8.3.0 新增的对跑步、游泳、骑行三个运动的细化指标提取）。你可以直接将这些文件喂给 ChatGPT或 Gemini等等，配合我推荐的提示词：

[你是一名具备运动生理学、 心血管医学 和健康数据建模能力的专业分析师。我将提供Apple Health原始数据（CSV），请基于数据进行接近专业体检级别的分析，并严格按照以下结构输出：首先给出【一句话结论】，直接判断整体健康状态（健康 / 亚健康 / 风险状态），不得模糊；然后进行【生理系统拆解分析】，从心血管系统（心率、HRV、静息心率）、神经系统（基于HRV分析交感/副交感平衡）、睡眠恢复系统、代谢与活动水平四个层面分析，必须解释背后的生理机制而非表象；接着进行【趋势建模】，基于时间序列判断是否存在周期性波动、长期改善或恶化趋势]

---

03. 技术深挖：我是如何驯服“数据巨兽”的？

你一定好奇这套引擎是如何搭建的。

⚡️核心突破：内存流式解析

传统的 DOM 解析会将整个 XML 加载到内存，面对 2GB 的文件，8GB 内存的电脑会瞬间崩溃。

我采用了 xml.etree.ElementTree.iterparse 方案：

1、空间复杂度优化： 内存占用不再随文件体积增长，峰值始终保持在约 90MB。

2、清除缓存： 在解析完每一个 Record 节点后，通过 elem.clear() 立即释放内存。

---

🎨 视觉方案：跨平台的 PyQt6 适配

为了实现极致的视觉体验，我在 UI 层做了以下工作：

1、调色盘： 全局注入 #9B2C2C。

2、响应式布局： 确保 Windows 和 macOS 都能完美呈现深色模式。

---

📦 工业级打包

一个成熟的项目，打包流程和源码同样重要：

1、Windows： 使用 Inno Setup 编写安装脚本，注入版权信息，制作单文件安装包。

2、macOS： 封装为 DMG 格式，实现“拖拽即安装”的原生体验。

---

04. 开源与未来

目前项目已在 GitHub 开源，欢迎各位 Star 指教。

GitHub 地址： leecdiang/Apple-Health-Pro
未来计划： 支持更多运动指标提取，图标显示数据 ..