如何为 subreddit 构建网页抓取功能？

Question

摘要：我想在网上抓取 subreddit，然后将数据转换为数据帧。我知道如何单独做。但我坚持使用一个函数。这是我一一做的。

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)

这是我到目前为止提出的功能：

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“之前”。但是在创建“帖子”之后，我需要使用“之前”来获取早于上一个操作的最后一个帖子的所有帖子。我该如何调和这种冲突？

非常感谢！

Answer 1

你要求的是可行的，但我认为 f-strings 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。试试看它是否有效：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)