python - 如何为 subreddit 构建网页抓取功能？

Question

摘要:我想网络抓取 subreddit，然后将数据转换为数据帧。我知道如何单独完成它们。但我坚持使用一个函数。下面是我一一的做法。

url = 'https://api.pushshift.io/reddit/search/submission'

params3 = {'subreddit':'Apple', 'size': 500,'before':1579411194}
res3 = requests.get(url, params3)
data = res3.json()
post3 = data['data']
apdf3 = pd.DataFrame(post3)

这是我迄今为止想到的函数:

url = 'https://api.pushshift.io/reddit/search/submission'
def webscrape (subreddit, size,):
    for i in range(1, 11):
        params = {"subreddit":subreddit, 'size':size, 'before': f'post{i}'[-1]['created_utc']}
        res = requests.get(url, params)
        f'data{i}' = res.json()
        f'post{i}' = data[f'data{i}']
        f'ap_df{i}' = pd.DataFrame(f'post{i})

我的问题是我的第一个参数不需要“before”。但是在创建“帖子”之后，我需要使用“之前”才能获取早于上一个操作的最后一个帖子的所有帖子。如何调和这种冲突？

非常感谢!

Answer 1

您所要求的是可行的，但我认为 f 字符串在这里不起作用。下面的代码将每个数据帧附加到数据帧字典中。尝试一下，看看是否有效:

d = {}
url = 'https://api.pushshift.io/reddit/search/submission'
def webscraper (subreddit, size,):
    bef = 0 
    for i in range(1, 11):
        if i==1:
            params = {"subreddit":subreddit, 'size':size}
        else:
            params = {"subreddit":subreddit, 'size':size, 'before': bef}
        res = requests.get(url, params)    
        data = res.json()  
        dat = data['data']
        bef = dat[-1]['created_utc']
        df_name = subreddit+str(i)
        d[df_name] = pd.DataFrame(dat)