用Python挖掘Twitter数据Part1:数据采集

本文为数盟原创译文，转载请注明出处为数盟社区。

这是7部系列中的第1部分，注重挖掘Twitter数据以用于各种案例。这是第一篇文章，专注于数据采集，起到奠定基础的作用。

 

来自独立数据科学顾问Marco Bonzanini

Twitter是一个流行的社交网络，用户可以共享称为tweets的类似SMS的短消息。用户在Twitter上分享想法、链接和图片，记者发表现场活动评论，企业改进产品和吸引客户等等。使用Twitter的不同的方式列表可能会很长，伴随着每天5亿的tweets，这里有大量的数据等着我们分析。

这是一系列使用Python专门用于Twitter数据挖掘的文章中的第一篇。在第一部分中，我们将看到通过不同的方式来进行Twitter的数据收集。一旦我们建立好了一个数据集，在接下来的环节中，我们就将会讨论一些有趣的数据应用。

注册应用

为了能够访问Twitter数据编程，我们需要创建一个与Twitter的API交互的应用程序。

第一步是注册一个你的应用程序。值得注意的是，您需要将您的浏览器转到http://apps.twitter.com，登录到Twitter（如果您尚未登录），并注册一个新的应用程序。您现在可以为您的应用程序选择一个名称和说明（例如“挖掘演示”或类似）。您将收到一个消费者密钥和消费者密码：这些都是应用程序设置，应始终保密。在您的应用程序的配置页面，你也可以要求获取一个访问令牌和访问令牌的密码。类似于消费者密钥，这些字符串也必须保密：他们提供的应用程序是代表您的帐户访问到Twitter。默认权限是只读的，这是我们在案例中需要的，但如果你决定改变您的许可，在应用中提供更改功能，你就必须再获得一个新的访问令牌。

重要提示：使用Twitter的API时有速率限制，或者你想要提供一个可下载的数据集也会有限制，请参见：

• https://dev.twitter.com/overview/terms/agreement-and-policy
• https://dev.twitter.com/rest/public/rate-limiting

访问数据

您可以使用 Twitter提供的REST APIs与他们的服务进行交互。那里还有一群基于Python的客户，我们可以重复循环使用。尤其Tweepy是其中最有趣和最直白的一个，所以我们一起把它安装起来：

pip install tweepy==3.3.0

 

更新：Tweepy发布的3.4.0版本在Python3上出现了一些问题，目前被绑定在GitHub上还不能进行使用，因此在新的版本出来之前，我们一直使用3.3.0版本。

更多的更新：Tweepy发布的3.5.0版本已经可以使用，似乎解决了上述提到的在Python3上的问题。

为了授权我们的应用程序以代表我们访问Twitter，我们需要使用OAuth的界面：

import tweepyfrom tweepy import OAuthHandler consumer_key = ‘YOUR-CONSUMER-KEY’consumer_secret = ‘YOUR-CONSUMER-SECRET’access_token = ‘YOUR-ACCESS-TOKEN’access_secret = ‘YOUR-ACCESS-SECRET’ auth = OAuthHandler(consumer_key, consumer_secret)auth.set_access_token(access_token, access_secret) api = tweepy.API(auth)

现在的API变量是我们为可以在Twitter上执行的大多数操作的入口点。

例如，我们可以看到我们自己的时间表（或者我们的Twitter主页）：

for status in tweepy.Cursor(api.home_timeline).items(10):    # Process a single status    print(status.text)

Tweepy提供便捷的光标接口，对不同类型的对象进行迭代。在上面的例子中我们用10来限制我们正在阅读的tweets的数量，但是当然其实我们是可以访问更多的。状态变量是Status() class的一个实例，是访问数据时一个漂亮的包装。Twitter API的JSON响应在_json属性（带有前导下划线）上是可用的，它不是纯JSON字符串，而是一个字典。

所以上面的代码可以被重新写入去处理/存储JSON：

for status in tweepy.Cursor(api.home_timeline).items(10):    # Process a single status    process_or_store(status._json)

如果我们想要一个所有用户的名单？来这里：

for friend in tweepy.Cursor(api.friends).items():    process_or_store(friend._json)

那么我们所有的tweets的列表呢？ 也很简单：

for tweet in tweepy.Cursor(api.user_timeline).items():    process_or_store(tweet._json)

通过这种方式，我们可以很容易地收集tweets（以及更多），并将它们存储为原始的JSON格式，可以很方便的依据我们的存储格式将其转换为不同的数据模型（很多NoSQL技术提供一些批量导入功能）。

process_or_store（）功能是您的自定义实施占位符。最简单的方式就是你可以只打印出JSON，每行一个tweet：

def process_or_store(tweet):    print(json.dumps(tweet))

 

流

如果我们要“保持连接”，并收集所有关于特定事件将会出现的tweets，流API就是我们所需要的。我们需要扩展StreamListener（）来定义我们处理输入数据的方式。一个用#python hashtag收集了所有新的tweet的例子：

from tweepy import Streamfrom tweepy.streaming import StreamListener classMyListener(StreamListener):     def on_data(self, data):        try:            with open(‘python.json’, ‘a’) as f:                f.write(data)                return True        except BaseException as e:            print(“Error on_data: %s” % str(e))        return True     def on_error(self, status):        print(status)        return True twitter_stream = Stream(auth, MyListener())twitter_stream.filter(track=[‘#python’])

根据不同的搜索词，我们可以在几分钟之内收集到成千上万的tweet。世界性覆盖的现场活动尤其如此（世界杯、超级杯、奥斯卡颁奖典礼等），所以保持关注JSON文件，看看它增长的速度是多么的快，并考量你的测试可能需要多少tweet。以上脚本将把每个tweet保存在新的行中，所以你可以从Unix shell中使用wc-l python.json命令来了解到你收集了多少tweet。

你可以在下面的要点中看到Twitter的API流的一个最小工作示例：

twitter_stream_downloader.py

 

总结

我们已经介绍了tweepy作为通过Python访问Twitter数据的一个相当简单的工具。我们可以根据明确的“tweet”项目目标收集一些不同类型的数据。

一旦我们收集了一些数据，在分析应用方面的就可以进行展开了。在接下来的内容中，我们将讨论部分问题。

 

简介：Marco Bonzanini是英国伦敦的一个数据科学家。活跃于PyData社区的他喜欢从事文本分析和数据挖掘的应用工作。他是“用Python掌握社会化媒体挖掘”（ 2016月7月出版）的作者。

 

原文链接：http://www.kdnuggets.com/2016/06/mining-twitter-data-python-part-1.html