如何收集政治类 Twitter 数据用于研究

#能收集哪些政治类 Twitter 数据

目前能收集的 X 政治数据有三类：官员自己发的帖子，公众围绕某次选举或某个议题的发言，以及人们对官员帖子的回应。这些数据都是公开的，带时间戳，并且能对应到作者，所以 X 至今仍是政治传播研究的标准数据源。

• 官员自己的帖子。 包括立法者、部长、政党、政府机构和候选人。数据量小而干净：一个国家级立法机构只有几百个账号，每月发帖几万条。
• 选举和议题讨论。 公众带着候选人姓名、某项法案、某个话题标签或某场辩论发出的所有帖子。小到地方选举的几千条，大到全国大选的数百万条。
• 回应。 官员声明下面的回复和引用帖子，能看出一条信息传达到了什么效果。

有些数据任何 API 都拿不到：作者已删除的帖子、受保护的账号、私信，以及谁点赞了一条帖子的名单。旧的研究数据集也补不上这个缺口。它们大多以推文 ID 列表的形式发布，因为平台规则允许分享 ID，却不允许分享正文，而一条已删除推文的 ID 现在什么也查不到。研究者在 2023 年失去了免费渠道，后来是什么取代了它，可以看谁能检索 Twitter 档案的来龙去脉。

所以 2026 年做政治研究，要自己采集数据：研究进行中的竞选，从今天起向前采集；研究已经结束的竞选，则回溯档案，档案最早可追溯到 2006 年 3 月。

#用 Sorsa API 收集政治推文

收集政治推文，可以用 Sorsa API：一个 API 密钥就能读取官员的时间线和选举讨论，每 1,000 条推文 $0.07 起，所有套餐统一每秒 20 次请求，不需要 X 开发者账号，也不用 OAuth。同样的读取，官方 X API 每 1,000 条帖子收费 $5.00，每月最多 300 万条。

每一类政治数据都有对应的接口。每个接口在每条推文里都附带作者的完整资料，不另外收费。

• 一份官员名单，合并成一条动态

  Sorsa API 接口

  GET /list-tweets（在新标签页打开）

  每次请求

  约 20 条推文

  每 1,000 条起

  $0.07

• 某位官员的完整时间线

  Sorsa API 接口

  POST /user-tweets（在新标签页打开）

  每次请求

  约 20 条推文

  每 1,000 条起

  $0.07

• 按查询词和日期检索的选举或议题讨论

  Sorsa API 接口

  POST /search-tweets（在新标签页打开）

  每次请求

  约 20 条推文

  每 1,000 条起

  $0.07

• 官员某条帖子下的回复

  Sorsa API 接口

  POST /comments（在新标签页打开）

  每次请求

  约 20 条回复

  每 1,000 条起

  $0.07

• 名单上每个账号的资料

  Sorsa API 接口

  GET /info-batch（在新标签页打开）

  每次请求

  最多 100 份资料

  每 1,000 条起

  $0.014

• 已有帖子，按 ID 重新核对

  Sorsa API 接口

  POST /tweet-info-bulk（在新标签页打开）

  每次请求

  最多 100 条推文

  每 1,000 条起

  $0.014

Sorsa API 是 REST API：带上密钥发一次请求就返回干净的 JSON，不需要在浏览器里运行任何东西，也不需要 X 账号。它自 2022 年起一直在生产环境运行，累计处理请求超 60 亿次，而且 X 有任何变动，都由我们负责修复，所以跨越整个选举之夜的采集不会中途出错。它从不要求你的 X 登录信息，因此你自己的账号不会有任何风险。

#建立政治人物账号关注名单

关注名单就是你的研究要跟踪的账号清单，以数字用户 ID 保存。名单要从已经有人核实过的公开来源出发，而不是靠搜索蓝标账号：2023 年以后，蓝标只是付费订阅，不能证明账号是官方账号。

对美国国会，开放数据项目 unitedstates/congress-legislators（在新标签页打开） 维护着一份议员官方社交媒体账号的文件。2026 年 11 月 2 日，它列出了 505 个 X 账号名，其中 408 个带有数字 ID，最近一次更新是 2026 年 10 月 24 日。该项目只收录官方的、由纳税人供养的账号，不收竞选账号和个人账号，而研究官方沟通恰恰需要这种区分。许多国家的议会会在自己的开放数据网站上公布议员账号，研究其他国家时可以从那里入手。

账号名会变，数字 ID 不会。用 GET /info-batch 把每个账号名解析成 ID，每次请求 100 个账号，然后把 ID 作为关注名单的主键保存。下面的脚本读取国会文件，为每位议员保存一行资料。

import csv
import requests
import yaml  # pip install pyyaml requests

URL = "https://api.sorsa.io/v3/info-batch"
HEADERS = {"ApiKey": "YOUR_API_KEY"}
SRC = ("https://raw.githubusercontent.com/unitedstates/"
       "congress-legislators/main/legislators-social-media.yaml")

members = yaml.safe_load(requests.get(SRC, timeout=30).text)
handles = [m["social"]["twitter"] for m in members
           if m["social"].get("twitter")]

rows = []
for i in range(0, len(handles), 100):  # 100 handles per request
    r = requests.get(URL, headers=HEADERS, timeout=30,
                     params={"usernames": handles[i:i + 100]})
    r.raise_for_status()
    rows += r.json().get("users", [])

with open("watchlist.csv", "w", newline="", encoding="utf-8") as f:
    w = csv.writer(f)
    w.writerow(["id", "username", "display_name", "followers"])
    for u in rows:
        w.writerow([u["id"], u["username"], u["display_name"],
                    u["followers_count"]])
print(len(rows), "accounts saved")

6 次请求就能覆盖全部 505 个账号名。返回结果里缺失的账号，是在名单更新之后被改名、被封禁或被设为受保护的；请手动检查一遍并修正文件。

#采集名单中的每一条帖子

要采集一份名单发布的每一条帖子，把这些账号放进一个公开的 X 列表，再用 GET /list-tweets 读取：一条动态就包含所有成员的帖子，按时间从新到旧排列，每次请求约 20 条。一个 X 列表最多容纳 5,000 个账号，足够任何一个国家级立法机构使用，列表指南里讲了怎样通过 API 读取 X 列表。

按计划定时检查这条动态，只往回翻页，直到遇到已保存的帖子为止。这样，对一份 505 个账号的国会名单做每小时检查，无论这一小时是冷清还是热闹，都只需要几次请求。

import json
import time
from datetime import datetime, timezone

import requests

URL = "https://api.sorsa.io/v3/list-tweets"
HEADERS = {"ApiKey": "YOUR_API_KEY"}
LIST_ID = "1720000000000000001"  # your public X List of officials


def check(last_id):
    """Fetch posts newer than last_id, newest first."""
    params, new = {"list_id": LIST_ID}, []
    while True:
        r = requests.get(URL, headers=HEADERS, params=params, timeout=30)
        if r.status_code == 429:  # over 20 requests a second
            time.sleep(1)
            continue
        r.raise_for_status()
        page = r.json()
        for t in page.get("tweets", []):
            if int(t["id"]) <= last_id:
                return new  # reached the last saved post
            new.append(t)
        if not page.get("next_cursor"):
            return new
        params["next_cursor"] = page["next_cursor"]


last_id = 0  # store this between runs
while True:
    seen = datetime.now(timezone.utc).isoformat()
    posts = check(last_id)
    with open("posts.jsonl", "a", encoding="utf-8") as f:
        for t in posts:
            f.write(json.dumps({"first_seen": seen, **t}) + "\n")
    if posts:
        last_id = max(int(t["id"]) for t in posts)
    print(seen, len(posts), "new posts")
    time.sleep(3600)  # one check an hour

// watch.mjs, Node.js 18 or later
import fs from "node:fs";

const URL = "https://api.sorsa.io/v3/list-tweets";
const headers = { ApiKey: "YOUR_API_KEY" };
const LIST_ID = "1720000000000000001"; // your public X List
const sleep = (ms) => new Promise((r) => setTimeout(r, ms));

async function check(lastId) {
  const params = new URLSearchParams({ list_id: LIST_ID });
  const fresh = [];
  while (true) {
    const res = await fetch(`${URL}?${params}`, { headers });
    if (res.status === 429) { await sleep(1000); continue; }
    if (!res.ok) throw new Error(`HTTP ${res.status}`);
    const page = await res.json();
    for (const t of page.tweets ?? []) {
      if (BigInt(t.id) <= lastId) return fresh; // already saved
      fresh.push(t);
    }
    if (!page.next_cursor) return fresh;
    params.set("next_cursor", page.next_cursor);
  }
}

let lastId = 0n; // store this between runs
while (true) {
  const seen = new Date().toISOString();
  const posts = await check(lastId);
  const lines = posts.map((t) =>
    JSON.stringify({ first_seen: seen, ...t }) + "\n");
  fs.appendFileSync("posts.jsonl", lines.join(""));
  for (const t of posts) if (BigInt(t.id) > lastId) lastId = BigInt(t.id);
  console.log(seen, posts.length, "new posts");
  await sleep(3_600_000); // one check an hour
}

返回 403 表示密钥缺失、错误或请求额度已用完；返回 429 表示一秒内超过了 20 次请求，所以脚本会等一秒再重试。推文 ID 随时间递增，因此靠比较 ID 就能找到最后一条已保存的帖子。

如果要一次性拉取某位官员的全部历史，用该账号的用户 ID 调用 POST /user-tweets，从最新的帖子一路往回翻页到最早的帖子；下载某用户的全部推文这篇指南讲了怎样把这些数据导出为 CSV。

#通过搜索收集选举和议题讨论

选举和议题讨论靠搜索查询来收集：候选人和政党的名字、这场竞选的话题标签、议题的关键短语、一种语言和一个日期窗口，一起发送给 POST /search-tweets，再用 next_cursor 翻页。查询词就是研究设计本身，所以要在采集之前写好，并随研究结果一同公布。

查询要保持均衡。只搜一方的话题标签，测量的就只是这一方，所以要用同样的方式、同样的运算符列出竞选中的每位候选人和每个政党。较长的时间段用 since: 和 until: 切成一天或一周的窗口，这样某个窗口失败时可以单独重跑。完整语法见 Twitter 搜索运算符列表。

curl -X POST "https://api.sorsa.io/v3/search-tweets" \
  -H "ApiKey: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "query": "(#Measure7 OR \"Measure 7\") since:2026-10-20 until:2026-10-21",
    "order": "latest"
  }'

{
  "tweets": [
    {
      "id": "1981234567890123456",
      "full_text": "Measure 7 forum tonight: each side got 5 questions.",
      "created_at": "2026-10-20T23:41:07Z",
      "lang": "en",
      "likes_count": 57,
      "retweet_count": 14,
      "reply_count": 9,
      "quote_count": 3,
      "is_reply": false,
      "is_quote_status": false,
      "user": {
        "id": "1590000000000000042",
        "username": "county_civics_desk_demo",
        "display_name": "County Civics Desk",
        "followers_count": 8213
      }
    }
  ],
  "next_cursor": "DAADDAABCgABG4lN0iWAJ8kKAAIbiUY1qZvwRg"
}

再发一次相同的请求体，加上 next_cursor，直到响应里不再带它为止。每页约 20 条推文，条数并不固定，所以要数帖子，不要数页数。

采集前先决定如何处理转发

转发所含的政治内容远多于原创帖子，所以去掉转发会改变数据集所反映的内容。Pew Research Center 对美国成年人一年推文的研究发现，44% 的转发和 42% 的引用帖子属于政治内容，而回复中这一比例是 26%，原创推文只有 8%。

如果研究的是人们用自己的话说了什么，就在查询里加上 -filter:retweets。如果研究的是什么在传播，就保留转发，并通过每条转发的 retweeted_status 读取原帖。两种选择都站得住脚，但听凭运气不行。

#保留一份删帖记录

作者删除帖子之后，没有任何 API 还能返回它，Sorsa API 不行，官方 X API 也不行，所以政治人物删帖的唯一记录，就是你最先保存下来的那一份。如果关注名单在每条帖子第一次出现时就存下了它，你已经有了这份记录；接下来要补上的，是发现帖子被删的办法。

用 POST /tweet-info-bulk 重新核对你保存的 ID，每次请求 100 个。某条帖子不再返回，说明它被删除了，或者它的账号被封禁或设为受保护；把这个 ID 连同你发现的时间记录下来。每天重新核对 10 万条已保存的帖子，需要 1,000 次请求，$1.40 起。

import requests

URL = "https://api.sorsa.io/v3/tweet-info-bulk"
HEADERS = {"ApiKey": "YOUR_API_KEY"}


def missing(ids):
    """Return the saved IDs that no longer come back."""
    gone = []
    for i in range(0, len(ids), 100):  # 100 IDs per request
        batch = ids[i:i + 100]
        r = requests.post(URL, headers=HEADERS, timeout=30,
                          json={"tweet_links": batch})
        r.raise_for_status()
        back = {t["id"] for t in r.json().get("tweets", [])}
        gone += [x for x in batch if x not in back]
    return gone

删帖是政治类采集中最敏感的部分。报告时只给出数量和规律；或者只在作者是公职人员、且该帖属于公共事务时才引用，新闻机构保存政治人物删帖档案时就是这么做的。

#政治类采集要花多少钱

在 Sorsa API 上做政治类采集，通过搜索、时间线和列表动态读取，每 1,000 条推文 $0.07 起；官方 X API 是每 1,000 条帖子 $5.00，大约贵 70 倍。下面的卡片按你的研究规模对比两家 API。

三个典型的研究任务，能看出差距落在哪里。官方 X API 的数字只按帖子计算，价格取自 X 的按量付费价格表（在新标签页打开）。

• 一个月的国会帖子，505 个账号每个每天 4 条，每小时检查一次

  推文数

  6.1 万

  Sorsa API

  $5.04 起

  官方 X API

  $303

• 一场辩论之夜，所有候选人的姓名和话题标签

  推文数

  20 万

  Sorsa API

  $14 起

  官方 X API

  $1,000

• 十周的竞选讨论

  推文数

  1,000 万

  Sorsa API

  $700 起

  官方 X API

  超过每月 300 万条的上限：需要 Enterprise，每月 $4.2 万以上

须知

从 2026 年 11 月 22 日起，官方 X API 还会对随帖子一起返回的每个作者资料另行计费，每个 $0.010，这是 X 开发者团队在 10 月 23 日宣布（在新标签页打开）的。搜索结果来自成千上万个不同的作者，所以在那里读取选举讨论，每 1,000 条帖子最高可能花到 $15.00。Sorsa API 已把每位作者包含在推文里。

官方 X API 的按量付费方案，每个计费周期最多读取 300 万条帖子，所以一场全国性的竞选几周就会超出，再往上一档是 Enterprise 合同，每月约 $4.2 万起。在第一次读取之前，它还要求有获批的开发者账号、项目和应用，以及 OAuth 令牌。

#让政治研究站得住脚的规则

政治类 Twitter 数据衡量的是网络上的讨论，而不是民意，下面这些规则能让研究始终限定在数据能说明的范围内。

• X 用户不等于选民。 在 Pew 的研究中，50 岁及以上的成年人占美国成年用户的 24%，却写下了他们 78% 的政治推文。数量只能说明谁在 X 上发言，不能当作民调。
• 机器人和协同账号会抬高政治话题的热度。 计数之前先过滤它们，并报告你剔除了多少；Twitter 机器人识别指南列出了识别信号。
• 查询词决定结果。 公布确切的查询词、时间窗口、所用接口和采集日期，别人才能重建你的数据集。
• 研究帖子和公职人员，不要研究选民个人。 只做整体层面的讨论度量，对普通用户的引用要克制。推断个人的政治观点，在研究伦理上是禁区，而且 X 自己的开发者协议（在新标签页打开）也禁止按政治倾向给人建立画像。

须知

政治数据是用来理解政治的，不是用来引导选民的。把政治类采集限定在研究、新闻报道和问责工作的范围内：不做选民档案，不做定向名单，也不向根据帖子挑出来的人群推送信息。

给模型做语料标注、去重和划分，对政治推文与其他推文并无不同，构建用于机器学习的 Twitter 数据集这篇指南讲了这些。对语气和立场打分，则是 Twitter 情感分析的主题。

#用 100 次免费请求开始你的政治数据采集

收集政治类 Twitter 数据，从 Sorsa API 开始：一个 API 密钥就能用上关注名单动态、时间线和选举搜索，每 1,000 条推文 $0.07 起，所有套餐统一每秒 20 次请求。100 次免费请求大约能返回 2,000 条帖子，无需绑卡，永不过期。先拉取一周的官员帖子或你关注的竞选，检查查询词，再安排好定时任务。高校团队还可以使用机构邮箱申请 Sorsa API 的学术研究接入。

#常见问题