解析R中reddit_content函数构建Reddit用户社交网络的原理

单条评论URL的作者与回复对象识别逻辑 #

reddit_content函数核心是解析Reddit评论页面的HTML结构：

• 评论发布者：函数定位对应评论节点的.author类元素，提取文本内容作为author字段。
• 被回复对象：Reddit评论是嵌套结构，子评论的HTML节点携带data-parent-id属性指向父评论ID。函数通过这个ID找到父评论节点，再提取父评论的.author内容作为parent_author字段；顶级评论（无回复对象）的parent_author会返回空值。

直接调用reddit_content("单条评论URL")，查看返回数据框里的author和parent_author字段，就能直观看到两者的对应关系。

批量提取评论信息并构建社交网络 #

1. 准备URL列表：把需要处理的评论URL整理成字符向量：

   comment_urls <- c(
     "https://reddit.com/r/xxx/comments/xxx/xxx/xxx1/",
     "https://reddit.com/r/xxx/comments/xxx/xxx/xxx2/",
     # 补充更多URL
   )
   

2. 批量抓取数据：用purrr包的map_df批量调用reddit_content，合并结果为统一数据框：

   library(purrr)
   all_comment_data <- map_df(comment_urls, reddit_content)
   

3. 提取社交网络边数据：筛选出存在parent_author的记录，构建「评论作者→被回复对象」的边列表：

   edges <- all_comment_data[!is.na(all_comment_data$parent_author), c("author", "parent_author")]
   

4. 构建并可视化社交网络：用igraph包生成有向图并可视化：

   library(igraph)
   user_graph <- graph_from_data_frame(edges, directed = TRUE)
   plot(user_graph, vertex.size = 10, edge.arrow.size = 0.5)
   

内容的提问来源于stack exchange，提问作者stats_noob