话不多说，说干就干。
贴子分类首先要有数据，于是尝试性的爬了演吧前三页的贴子数据，效果如图所示。



虽然再往后的也不是不能查找，但想来凉凉了两天以上（最后一个样本回复时间为11-14）的贴子已经失去了参考价值，所以先这样吧。

除开首页，演绎吧的另一个贴子数据集散地——想必就是登记楼了
emm……在爬它之前，忽然发现登记楼的格式对数据保存很不友好，于是开始尝试正则表达式……
……啧，这我之前没搞过啊
在一个多小时的翻资料和试错之后，姑且做出了这样一个版本：

没有找到能够方便整洁的搞出【演绎】后内容的方法，存在倒肯定是存在的——
但今晚摸了

ok，我又回来啦。
登记楼的爬虫意外的挺花时间，尤其是在排版上……

谁能告诉我为啥有人发帖ID的冒号用中标，有人用英标吗？？？

目前的效果如图所示（楼层标记什么的，等下再做吧）
有些人在登记楼中用的是图片……那个大概需要单独爬下来，下午继续。

大家好，我又开始啦_(:з」∠)_
这次要做的是数据处理，为了给最终目的KNN做铺垫，先来做个LDA试试
效果如图所示：

分析的内容，是演吧前十页中文本的聚类。


从LDA的可视化可以看出来，魔幻很火啊
还有现代。
右下角是故事跟期练
左上角是个人贴。

分类器做出来啦_(:з」∠)_
虽然只是简单基于文字读取的分类器

上图一个是本月登记楼全部贴子，另一个是带有魔幻TAG的全部登记楼贴子

总结一下成果：

【演绎吧前二十页贴子数据】
这个爬虫做的比较精细，把包括发帖ID、题目、链接、发帖日期、最后回复日期、楼层数和能读取的第一层文本内容都爬下来了。
除去首页的那几条广告，一共爬到了996条数据。

【基于前20页贴子数据的LDA文本聚类】
（可以看出魔幻很受欢迎……另外，爬到了将近20%的个人贴）
不，不要说没什么卵用呀！
……还能用来做情感分析跟KNN的样本（好像确实没啥卵用……）

【本月登记楼全部贴子数据】
说是全部，其实并不全，因为图片扒不下来。
一共有133条数据。
不知道有没有好心人愿意帮忙比对一下，如果有地方没爬到，大概是贴吧会员导致的标签问题吧（甩锅）

【基于登记楼的贴子分类】
嘛，姑且先把作为大类的魔幻分一下试试。
其他的分类，基于演吧比较标准的命名格式，也很好提取（一行代码）。

……我也不是实在闲得发慌，才去干这些事情的）。
只不过，当贴子可以被自动分类，没有那么夸张的工作量时，找帖子也会变得简单一些吧（大概）。
接下来这几天再整理整理代码。
然后在这个贴子里以网盘链接的形式，每周更新分类后的登记楼和贴吧前三页的贴子，给找帖子提供一些方便。
如果有自己做一个爬虫想法的话，欢迎来找我。
虽然我也很菜。
以上。

这周的份，分类Tag随便找了一下，如果有想要找什么Tag可以联系我。
神秘代码楼中楼。

11.30更新
优化了分类逻辑，将算不上太多的四类合并，并将剩余帖子放入了其他中。
仍旧是登记楼的分类+前五页帖子
神秘代码楼中楼