关于爬取arXiv论坛论文并按照论文主题进行分类的办法

关于爬取arXiv论坛论文并按照论文主题进行分类的办法

获得不同论文主题的arXiv论文标题，并存在自己电脑的一个文件夹里。这些论文标题可以为将来小样本机器学习作为训练集。

整个过程分为两个部分

第一：从arXiv爬取论文。

这里用到爬虫软件，推荐文章：https://zhuanlan.zhihu.com/p/86763203 这个链接里有作者写的代码，可以用作参考。

第二：将爬取的论文按照论文主题进行分类

可能新人朋友们不知道怎么看arXiv上的论文。这里给大家举几个例子：
网址一：https://arxiv.org/list/cs/pastweek?show=1000 这个网址是看最近一周的论文
网址二：https://arxiv.org/list/cs/2001 这个网址是看2020年1月份的所有论文。想看2016年12月的论文，网址的结尾就是1612。以此类推。

相比于原文章只爬取未分类，我按照主题不通进行了分类。一篇文章可能涉及几个主题，我这里只是按照同一个主题进行分类，所以可能有同一论文重复出现在不同主题下的情况。但是不影响。

代码如下：

'''分类不同主题的论文'''
    def classify(a):
        b1 = []
        b2 = []
        for i in range(len(paper)):   #在表格的范围之内循环
            if a in paper.loc[i, 'subjects']:
                a1 = paper.loc[i, 'id']
                a2 = paper.loc[i, 'title']
                b1.append(a1)
                b2.append(a2)
        f1 = pd.DataFrame(columns=['id', 'title'])
        f1['id'] = b1
        f1['title'] = b2
        f1.to_csv('E:/arxiv/classify/' + time.strftime("%Y-%m-%d") + a + '.csv')
    for tag in set_list:
        classify(tag)

完成后就可以在对应的文件夹里面找到很多个csv文档，文档的名字是主题名字，文档里呈现论文的编号和题目。