本帖最后由 朱焱伟 于 2024-6-8 23:03 编辑
爬取Reddit收藏夹
目的
如何保存Reddit上收藏夹和点赞过的所有帖子？
saveddit使用
经过对比尝试，发现github.com/p-ranav/saveddit较好，接下来说明使用saveddit爬取reddit收藏夹的过程。
创建python3环境
conda create -n py310 python=3.10.6
conda activate py310
conda update -n base -c defaults conda
安装saveddit
conda install saveddit或pip3 install saveddit。
详见github.com/p-ranav/saveddit说明。
创建reddit脚本应用
在https://www.reddit.com/prefs/apps创建Script脚本类型的应用，以便下面使用其应用id和密钥来调用Reddit API
填写认证信息
安装好saveddit后，应该已经有了yaml格式的配置文件，来打开编辑。
vim ~/.saveddit/user_config.yaml
配置文件里，需要按https://www.reddit.com/prefs/apps网页上自己创建的应用情况，在yaml里替换配置为你的Reddit API认证信息。
reddit_client_id: '你的脚本应用id'
reddit_client_secret: '你的脚本应用密钥'
reddit_username: '你的reddit用户名'
测试运行
至此，应该可以运行，爬一下自己点赞的前几条记录测试下。
saveddit user users 你的reddit用户名 upvoted -l 5
防盗链图片
* Processing `https://i.redd.it/6h97arsgih171.jpg`
* This is a direct link to a jpeg file
- <urlopen error EOF occurred in violation of protocol (_ssl.c:997)>
* Saving submission.json
* Saving top-level comments to comments.json
- 100%|████████████████████| 8/8 [00:00<00:00, 86037.01it/s]
* Saved to output/www.reddit.com/u/XXX/upvoted/001_XXX
之前的运行确实可以下载一些帖子的内容（包括图片和评论），但如果遇到i.redd.it 开头的一些图片链接，就下载不下来，比如i.redd.it/6h97arsgih171.jpg。
`urllib.request.urlretrieve(submission.url, output_path)`
这行代码会报错`<urlopen error EOF occurred in violation of protocol (_ssl.c:997)>`
可以查看saveddit源码看看是什么原因，首先定位saveddit安装位置：
conda activate py310
whereis saveddit
pip3 show saveddit
从上面输出可以看到saveddit安装位置，我们定位一下要修改的源码的位置，比如：
vim ~/anaconda3/envs/py310/lib/python3.10/site-packages/saveddit/submission_downloader.py
可以看到是urllib.request.urlretrieve(submission.url, output_path)这句话下载i.redd.it开头的图片链接会有ssl相关报错。具体怎么改这个urllib里的urlretrieve传参，我没搞明白。不过试了一下curl可以正常下载图片，那就把urllib.request.urlretrieve用运行curl命令的办法替换。修改代码saveddit/submission_downloader.py
# def download_direct_link(self, submission, output_path):
# try:
# urllib.request.urlretrieve(submission.url, output_path)
# except Exception as e:
# self.print_formatted_error(e)
def curl_download(self,url, output_path):
import subprocess
curl_command = ['curl', '-o', output_path, url]
subprocess.run(curl_command)
def download_direct_link(self, submission, output_path):
try:
self.curl_download(submission.url, output_path)
# urllib.request.urlretrieve(submission.url, output_path)
except Exception as e:
self.print_formatted_error(e)
试了下，这样可以正常下载了。能跑就行，那就继续凑合用了。
保存学习资料
那就回到最初的目标，爬一下自己收藏夹和点赞过的帖子，其他具体用法看saveddit官方说明。
conda activate py310
saveddit user users 你的Reddit用户名 saved -l 1000000 -o output 2>&1 | tee log.saved.txt
saveddit user users 你的Reddit用户名 upvoted -l 1000000 -o output 2>&1 | tee log.upvoted.txt
相关链接
i.redd.it图片直接加载
假如我要打开https://i.redd.it/6h97arsgih171.jpg这种链接，由于网站限制，并不能直接ctrl+s来保存。
搜了下，倒是有个火狐扩展可以专门干这个事addons.mozilla.org/en-US/firefox/addon/load-reddit-images-directly Load Reddit Images Directly，代码详见github.com/nopperl/load-reddit-images-directly 。代码可以参考下，不过这个火狐扩展用起来体验并不好。
有人发issue问这扩展能不能改成用户脚本让人更方便使用I wonder, is there a chance you could make an userscript out of this? #5，作者好像没有打算。
我找到另外一个油猴脚本使用体验不错（比上面那个火狐扩展好，可以替代它）：sleazyfork.org/zh-CN/scripts/109-handy-image。代码详见github.com/Owyn/HandyImage
其他
reddit上也有一些相关讨论，我尝试对比了下，其他工具好像没saveddit好用。至于为啥用起了reddit，那是因为我的小蓝鸟账号已经被封禁了两个。众里寻他千百度，一夜回到解放前。雄关漫道真如铁，而今迈步从头越。希望这次不要再搞没收藏夹了。我现在只想用我的大资料狠狠地塞满你的小硬盘。
置顶卡
沉默卡
照妖镜
