質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

90.22%

PythonによるTwitterのスクレイピングについて

解決済

回答 2

投稿

  • 評価
  • クリップ 0
  • VIEW 1,330

kumikumi550

score 10

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

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

回答 2

checkベストアンサー

+2

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。

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2018/12/09 20:10

    教えて頂き、ありがとうございます
    以後気をつけます

    キャンセル

0

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。

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 90.22%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる