PythonによるTwitterのスクレイピングについて

Question

PythonによるTwitterのスクレイピングについて

https://nnahito.com/article/7

このサイトを参考にスクレイピングを行っているのですが、このままだとプロフィールからタイムラインで取得できる情報のみで取得期間が3か月程度になってしまいます。ユーザーの全ツイートを取得するために

# -*- coding: utf-8 -*-
import sys
import os
import bs4
import json
import urllib
import requests
import re
from da_vinci import Image
from time import sleep

crawle_user_id = ''

def outputCsv(screen_name, user_name, tweet_timestamp, tweet_body, alfa, beta):
    file_name = 'output.csv'

    screen_name = screen_name.replace('\n','').replace('\r','')
    user_name = user_name.replace('\n','').replace('\r','')
    tweet_body = tweet_body.replace('\n','').replace('\r','')

    f = open(file_name, 'a')
    f.write(screen_name + ',' + user_name + ',' + tweet_timestamp + ',' + tweet_body + ',' +  alfa + ',' + beta + "\n")
    f.close()


def parseHtml(html_data):
    soup = bs4.BeautifulSoup(html_data)

    tweet_blocks = soup.select('.tweet')

    for tweet_block in tweet_blocks:
        screen_name = tweet_block.select('.fullname')[0].text
        user_name = tweet_block.select('.username')[0].text
        tweet_timestamp = tweet_block.select('.tweet-timestamp')[0].text
        tweet_body = tweet_block.select('.tweet-text')[0].text
        alfa = tweet_block.select('.ProfileTweet-actionCountForPresentation')[1].text
        beta = tweet_block.select('.ProfileTweet-actionCountForPresentation')[3].text

        al = str(alfa)

        if al == "0":
            print("exceping")
        else:
            print("accepting")
            outputCsv(screen_name, user_name, tweet_timestamp, tweet_body, alfa, beta)

def getMinPosition(html_data):
    soup = bs4.BeautifulSoup(html_data)

    min_position = soup.select('div[data-min-position]')[0].attrs['data-min-position']

    return min_position

def getNextTweet(user_id, max_position):
#    base_url = 'https://twitter.com/'+ user_id +'/status/'+ max_position +'&reset_error_state=false'
    base_url = 'https://twitter.com/'+ user_id + '/status/timeline/tweets?include_available_features=1&include_entities=1&max_position='+ max_position +'&s$
    url_data = urllib.request.urlopen(base_url)

    content = json.loads(url_data.read().decode('utf8'))

    next_position = content['min_position']

    parseHtml(content['items_html'])

    getNextTweet(user_id, next_position)


def getFirstTweet(user_id):
    url_data = urllib.request.urlopen('https://twitter.com/' + user_id)

    html_data = url_data.read()

    parseHtml(html_data)

    max_position = getMinPosition(html_data)

    getNextTweet(crawle_user_id, max_position)

getFirstTweet(crawle_user_id)

のようにしたのですが、
collectt2.py:48: UserWarning: No parser was explicitly specified, so I'm using the best available HTML parser for this system ("lxml"). This usually isn't a problem, but if you run this code on another system, or in a different virtual environment, it may use a different parser and behave differently.

The code that caused this warning is on line 48 of the file collectt2.py. To get rid of this warning, pass the additional argument 'features="lxml"' to the BeautifulSoup constructor.

soup = bs4.BeautifulSoup(html_data)
Traceback (most recent call last):
File "collectt2.py", line 80, in <module>
getFirstTweet(crawle_user_id)
File "collectt2.py", line 78, in getFirstTweet
getNextTweet(crawle_user_id, max_position)
File "collectt2.py", line 58, in getNextTweet
url_data = urllib.request.urlopen(base_url)
File "/usr/lib/python3.5/urllib/request.py", line 163, in urlopen
return opener.open(url, data, timeout)
File "/usr/lib/python3.5/urllib/request.py", line 472, in open
response = meth(req, response)
File "/usr/lib/python3.5/urllib/request.py", line 582, in http_response
'http', request, response, code, msg, hdrs)
File "/usr/lib/python3.5/urllib/request.py", line 510, in error
return self._call_chain(*args)
File "/usr/lib/python3.5/urllib/request.py", line 444, in _call_chain
result = func(*args)
File "/usr/lib/python3.5/urllib/request.py", line 590, in http_error_default
raise HTTPError(req.full_url, code, msg, hdrs, fp)
urllib.error.HTTPError: HTTP Error 404: Not Found

とエラーが出ます

どうすればよいのでしょうか

Answer 1

エラーが出る以前に、勝手なスクレイピングは利用規約違反です。

Twitterを快適で安全な環境にするために、Twitterへのアクセスや利用にあたっては以下の行為を禁じます。（中略）

・Twitterから提供されている当社の現在利用可能な公開インターフェースを経由する（かつ、その使用条件を遵守する）ことなく、その他の何らかの手段（自動その他を問わず）でTwitterにアクセスまたはその検索を行うか、またはアクセスまたは検索を試みること。ただしTwitterと別途締結した契約によりこれを行うことが特に認められている場合は、この限りではありません。Twitterのクローリングは、robots.txtファイルの規定による場合には許可されます。ただし、Twitterの事前の承諾なしにスクレイピングを行うことは明示的に禁じられています。

ルール違反である以上、手伝ってくれる人もいないでしょうし、昨日動いたものが今日になって動かなくても、Twitterからアクセスブロックや損害賠償の請求をされても、おそらくどうしようもありません。

Comments

[kumikumi550]

教えて頂き、ありがとうございます
以後気をつけます

Answer 2

ただの規約違反。
https://twitter.com/ja/tos

負荷にならない程度ならともかく全ツイートなんて非常識なスクレイピングは迷惑行為を越えてサーバーへの攻撃。