Mam funkcję, aby zeskrobać wszystkie posty w subreddit Bitcoin między 2014-11-01 i 2015-10-31.Jak zeskrobać wszystkie posty subreddit w danym okresie czasu
Jednak jestem w stanie wydobyć około 990 postów, które powracają do 25 października. Nie rozumiem, co się dzieje. Włączyłem Sys.sleep 15 sekund między każdym ekstraktem po odniesieniu do https://github.com/reddit/reddit/wiki/API, bezskutecznie.
Ponadto eksperymentowałem ze skrobaniem z innego subreddita (fitness), ale zwróciło ono również około 900 wpisów.
require(jsonlite)
require(dplyr)
getAllPosts <- function() {
url <- "https://www.reddit.com/r/bitcoin/search.json?q=timestamp%3A1414800000..1446335999&sort=new&restrict_sr=on&rank=title&syntax=cloudsearch&limit=100"
extract <- fromJSON(url)
posts <- extract$data$children$data %>% dplyr::select(name, author, num_comments, created_utc,
title, selftext)
after <- posts[nrow(posts),1]
url.next <- paste0("https://www.reddit.com/r/bitcoin/search.json?q=timestamp%3A1414800000..1446335999&sort=new&restrict_sr=on&rank=title&syntax=cloudsearch&after=",after,"&limit=100")
extract.next <- fromJSON(url.next)
posts.next <- extract.next$data$children$data
# execute while loop as long as there are any rows in the data frame
while (!is.null(nrow(posts.next))) {
posts.next <- posts.next %>% dplyr::select(name, author, num_comments, created_utc,
title, selftext)
posts <- rbind(posts, posts.next)
after <- posts[nrow(posts),1]
url.next <- paste0("https://www.reddit.com/r/bitcoin/search.json?q=timestamp%3A1414800000..1446335999&sort=new&restrict_sr=on&rank=title&syntax=cloudsearch&after=",after,"&limit=100")
Sys.sleep(15)
extract <- fromJSON(url.next)
posts.next <- extract$data$children$data
}
posts$created_utc <- as.POSIXct(posts$created_utc, origin="1970-01-01")
return(posts)
}
posts <- getAllPosts()
Czy Reddit ma jakiś limit, który uderzam?
Jeśli napiszę funkcję, która ma pętlę, w której każda iteracja przechwytuje dane o 4 dniach, czy to obejdzie ograniczenia Reddita? Innymi słowy, czy będę mógł uruchomić tę funkcję i otrzymywać posty przez cały rok? –
W zależności od tego, czy uważasz, że w tych 4 dniach będzie prawdopodobnie 1000 stanowisk. Prawdopodobnie łatwiej byłoby sortować według nowych i używać sygnatury czasowej ostatniego wpisu, do którego masz dostęp. – Pokechu22