Por Sorsa Editorial

Actualizado el 11 de julio de 2026: verificadas las tarifas de pago por uso vigentes de la API de X y el tope mensual de 2 millones de publicaciones tras el cambio de precios del 20 de abril, y refrescados los escenarios de costo de recolección contra ellas.

Conclusión clave: Los datos políticos en Twitter/X se dividen en publicaciones de cuentas oficiales, discurso electoral público, señales de engagement y puntuaciones derivadas. Desde que el track gratuito de la API académica cerró en 2023, la mayoría de los proyectos recolectan sus propios datos a través de una API de terceros: búsquedas por palabra clave, hashtag o usuario, extracciones acotadas por fecha y rastreo de menciones, con alcance y rehidratación según se necesite.

X sigue siendo el lugar donde los políticos anuncian, los periodistas dan las noticias y los electorados discuten en público, lo que lo hace una de las fuentes de datos políticos más ricas en cualquier parte. La parte difícil ahora es el acceso. El track gratuito de investigación académica que impulsó una década de artículos de ciencia política ya no está, la API oficial está medida y tiene un precio para empresas, y los datasets públicos en los que confiaban los investigadores son instantáneas congeladas que ya no se rehidratan de forma limpia.

Sorsa API, una API alternativa de Twitter/X para datos públicos, está construida para este tipo de recolección intensiva en lectura. Lee publicaciones públicas, perfiles, resultados de búsqueda y engagement a través de una sola clave API en un encabezado, sin apretón de manos OAuth y sin cola de solicitud, a tarifas efectivas desde $0.02 por cada 1,000 tweets y desde $0.01 por cada 1,000 perfiles. Buscas por palabra clave, hashtag o usuario a través de /search-tweets, acotas una recolección a una ventana electoral con filtros de fecha, y rastreas menciones de un candidato a través de /mentions, todo sobre un cobro de tarifa plana por solicitud que se mantiene predecible ya sea que un dataset sea unos pocos miles de publicaciones o unos pocos millones.

Tabla de contenidos

Qué cuenta como dato político en X {#what-counts-as-political-data-on-x}

Dato político en X es una etiqueta laxa que cubre varios datasets distintos que resultan compartir una plataforma, y un plan de recolección tiene que nombrar cuál es después. Confundirlos es el primer error, porque cada uno necesita una consulta diferente y un presupuesto de volumen diferente.

La salida de cuentas oficiales son las publicaciones de políticos, partidos, agencias de gobierno y candidatos: un registro limpio y de alta señal de lo que los actores oficiales dijeron y cuándo. Este es un dataset pequeño, a menudo unos pocos miles de publicaciones al mes para toda una legislatura.

El discurso de temas y electoral es todo lo que el público publica sobre un candidato, un proyecto de ley, un hashtag o una elección. Es mucho más grande y mucho más ruidoso, llegando a millones de publicaciones alrededor de una votación nacional, y es la base de la mayor parte del trabajo de sentimiento y de opinión pública.

El engagement y la difusión son quién amplificó qué, qué tan rápido, y qué tan lejos: reposts, respuestas, publicaciones citadas y el tiempo entre ellas. Así es como los investigadores estudian la influencia y la propagación de narrativas.

Las señales derivadas son las puntuaciones de sentimiento, postura, tema y probabilidad de bot calculadas encima de las publicaciones crudas. Estas las produce tu análisis en lugar de que te las entreguen, y suelen ser la salida real de la investigación.

La brecha de volumen entre la primera y la segunda categoría es todo el problema de planeación. Un dataset de cuentas de políticos es pequeño y barato; la recolección amplia del discurso electoral es donde los costos y los límites de tasa empiezan a importar.

De dónde vienen los datos políticos de X en 2026 {#where-political-x-data-comes-from-in-2026}

Hay tres rutas reales a los datos políticos de X, y los proyectos serios suelen combinarlas: la API oficial de X, los datasets de investigación públicos congelados y recolectar los datos tú mismo a través de una API de terceros.

La API oficial de X es autoritativa y completa porque son los propios datos de primera parte de X. Dejó de ser la respuesta realista para la mayoría de los presupuestos de investigación en 2023. X corrió un track dedicado de Investigación Académica por años, gratuito y generoso con la búsqueda de archivo completo, y una gran parte de la literatura de ciencia política publicada se construyó sobre él. Ese track fue desmantelado, documentado en un estudio de 2024 sobre la contribución de la API a la investigación que contó más de 27,000 artículos construidos sobre datos de Twitter desde 2006 antes de que se cortara el acceso. Los desarrolladores nuevos ahora obtienen la misma API medida de pago por uso que todos los demás, y el volumen a escala de investigación choca con un contrato Enterprise que históricamente ha empezado alrededor de $42,000 al mes.

Los datasets de investigación públicos son la segunda ruta: grandes, revisados por pares, ya recolectados. Los investigadores publicaron colecciones de varios millones de publicaciones alrededor de elecciones importantes, como el dataset Election2020 de más de 600 millones de tweets, junto con bases de datos curadas de cuentas de legisladores de muchos países. Aplican dos límites. Están congelados a una ventana fija, así que no pueden responder nada sobre lo que pasó después de que terminó la recolección, y la mayoría se distribuyen como IDs de tweet en lugar de publicaciones completas, para cumplir con los términos de la plataforma. Obtienes una lista de IDs y debes rehidratarlos obteniendo cada uno a través de una API. La rehidratación solía ser gratis y completa; ahora pasa por una API de pago, y cada publicación borrada desde que se construyó el dataset regresa vacía. Como las publicaciones políticamente sensibles se borran a una tasa alta, un dataset electoral de hace años puede rehidratarse a una fracción de su tamaño original, sesgado hacia lo que nunca se bajó.

La tercera ruta es recolectar los datos tú mismo: pago por uso, actual, y moldeado a tu pregunta exacta, a cambio de construir la recolección. Una combinación común usa un dataset público como línea base histórica, tu propia recolección hacia adelante para todo lo que pase después de que termina la ventana de ese dataset, y extracciones dirigidas de la API oficial solo donde la completitud de primera parte es innegociable. Para los grupos académicos en específico, Sorsa corre un programa de investigación académica con acceso con descuento encima de los endpoints estándar de solo lectura.

Cuánto cuesta recolectar datos políticos de Twitter {#how-much-does-collecting-political-twitter-data-cost}

Recolectar tweets políticos a través de una API de tarifa plana por solicitud cuesta desde $0.02 por cada 1,000 tweets y desde $0.01 por cada 1,000 perfiles, con un plan mensual completo desde $49. La API oficial de X cobra por recurso obtenido en su lugar, así que el costo escala directamente con el tamaño del dataset: la recolección amplia del discurso electoral rápidamente llega a las cuatro cifras o choca con el tope mensual de 2 millones de publicaciones de X, por encima del cual solo aplica un contrato Enterprise.

La tabla mapea tres trabajos comunes de recolección política a cada modelo. Las cifras de Sorsa son a nivel de plan; las cifras de la API oficial de X usan las tarifas por recurso vigentes del desglose completo de precios de la API de X de 2026.

Trabajo de recolecciónAPI oficial de XPlan de tarifa plana de Sorsa
Lista de vigilancia de una legislatura (~500 cuentas, perfiles más publicaciones recientes)Publicaciones $0.005 cada una, perfiles $0.010 cada uno; un refresco mensual de unos pocos miles de publicaciones llega a decenas de dólaresCabe en Starter, $49/mes por 10,000 solicitudes
Discurso de noche de debate (~200,000 publicaciones en un hashtag)~200,000 publicaciones a $0.005 cada una son unos $1,000 por una noche, contadas contra el tope mensual de 2MCabe en Pro, $199/mes por 100,000 solicitudes
Discurso de campaña completa (2M+ publicaciones al mes)Supera el tope de 2M lecturas de publicación; requiere un contrato Enterprise, históricamente desde ~$42,000/mesEnterprise, $899/mes por 500,000 solicitudes

Una solicitud de Sorsa devuelve hasta 100 tweets en los endpoints por lote o hasta 200 perfiles, así que el conteo de solicitudes de un plan estira mucho más de lo que sugiere un conteo por publicación. Ahí es donde el modelo de tarifa plana gana en la recolección política intensiva en lectura: hasta 50 veces más barato que la API oficial en la misma carga de trabajo, y sin un medidor por recurso contando hacia un tope.

Aplican dos cifras por cada 1,000, según el endpoint, y vale la pena ver ambas. Los endpoints por lote (/tweet-info-bulk e /info-batch, hasta 100 ítems por solicitud) ponen el costo efectivo desde $0.02 por cada 1,000 tweets y desde $0.01 por cada 1,000 perfiles. Los endpoints de búsqueda y de cronología (/search-tweets, /user-tweets, /mentions) devuelven alrededor de 20 publicaciones por solicitud, que sale en aproximadamente $0.10 por cada 1,000 tweets en el plan Pro. La recolección de discurso usa los endpoints de búsqueda, así que presupuesta contra la cifra de búsqueda; las consultas de perfil y las extracciones de IDs conocidos usan los endpoints por lote y aterrizan mucho más bajo. Los detalles completos están en la página de precio de tarifa plana por solicitud.

Recolectar publicaciones de políticos y cuentas oficiales {#collecting-posts-from-politicians-and-official-accounts}

El dataset político más limpio de construir tú mismo es la salida de cuentas oficiales. Empiezas a partir de una lista de usuarios, una cámara de una legislatura, un gabinete, o una nómina de candidatos, y extraes las publicaciones de cada cuenta a través de /user-tweets por username, enlace de usuario, o ID numérico de usuario. El volumen es pequeño y constante, muy por debajo de lo que cuesta la recolección de discurso, y da un registro de primera parte completo de lo que esos actores publicaron.

Dos prácticas hacen confiable este dataset. La primera es una lista de vigilancia curada en lugar de un filtro por insignia. Después de 2022, la insignia azul de verificado se volvió una suscripción de pago en lugar de una verificación de identidad, así que la bandera verified en un perfil ya no confirma que una cuenta sea genuinamente oficial. El método confiable es construir una lista de usuarios a partir de una fuente autoritativa, como un sitio de datos abiertos parlamentario o una base de datos académica de legisladores, y validarla una vez. Los datasets reales se construyen así: una colección de 1.1 millones de publicaciones de 692 diputados federales brasileños empezó a partir de cuentas recuperadas y validadas manualmente contra el sitio de datos abiertos de la Cámara de Diputados, luego etiquetadas por el resultado electoral de cada diputado.

La segunda son los identificadores estables. Los usuarios cambian; los IDs numéricos de usuario no. Resuelve cada usuario a su ID una vez a través de /username-to-id/{handle} y guarda el ID, para que una lista de vigilancia sobreviva a un político que cambie la marca de una cuenta a mitad de campaña. Para refrescar los datos de perfil de toda la lista de vigilancia de un tirón, /info-batch acepta hasta 100 usuarios o IDs por solicitud y devuelve perfiles completos, lo que mantiene los conteos de seguidores y los cambios de bio vigentes a lo largo de una legislatura con un puñado de solicitudes. Cuando necesitas todo el catálogo histórico de una sola cuenta, el mismo endpoint de cronología pagina a través de él, el enfoque cubierto en la guía sobre extraer el historial completo de publicaciones de un usuario.

Recolectar el discurso electoral y sobre temas {#collecting-election-and-issue-discourse}

El discurso público, lo que todos publican y no solo los oficiales, es la recolección más grande y más difícil. Es un problema de palabras clave: defines una consulta a partir de nombres de candidatos, hashtags, y frases de temas, fijas un idioma, y paginas a través de los resultados. El endpoint /search-tweets de Sorsa acepta la sintaxis completa de búsqueda avanzada de Twitter, así que from:, las frases exactas entre comillas, los hashtags y el OR booleano funcionan todos dentro de una consulta, la mecánica detallada en la guía sobre buscar tweets a través de la API.

El encuadre de la consulta es en sí mismo una decisión que moldea el dataset antes de que se recolecte una sola publicación. Los hashtags y las frases que eliges deciden cuál conversación capturas: busca solo el hashtag de un lado y has medido un lado. El arreglo es un conjunto de palabras clave balanceado y documentado que cubra toda la nómina. Un ejemplo bien citado recolectó 2.2 millones de tweets alrededor de la elección de EE. UU. de 2016 usando un filtro de palabras clave simétrico a lo largo de ambos candidatos principales, luego usó los hashtags mismos como semilla para construir un conjunto de entrenamiento etiquetado. Para mantener un conjunto de palabras clave vigente durante una campaña en vivo, extrae las tendencias de la región por WOEID a través de /trends y pliega las políticamente relevantes en la consulta, una técnica que estudios reales de referéndum usaron para atrapar hashtags emergentes conforme irrumpían.

Para construir y probar estas consultas sin escribir código primero, el constructor visual de consultas de búsqueda compone una cadena de búsqueda avanzada en el navegador, y la referencia de operadores de búsqueda avanzada lista cada operador que el endpoint acepta. El alcance importa tanto como el encuadre: una consulta enfocada sobre una ventana ajustada, una sola noche de debate o el ciclo de noticias de un proyecto de ley, a menudo es un mejor dataset que uno desparramado, más barato de recolectar y apuntado a una pregunta más afilada.

Extracciones acotadas por fecha y rastreo de menciones {#date-bounded-pulls-and-mention-tracking}

Los límites de fecha convierten una consulta abierta y cara en un trabajo acotado. Sorsa los maneja de dos formas. Dentro de /search-tweets, los operadores de búsqueda avanzada since: y until: van directo a la cadena de consulta, así que una ventana de campaña completa se recolecta como una sola pasada con fecha. Para recolectar menciones de un candidato o cuenta específicos, /mentions expone filtros nativos en el cuerpo de la solicitud: since_date y until_date en formato YYYY-MM-DD, más min_likes, min_replies, y min_retweets para descartar el ruido de bajo engagement antes de que entre al dataset. El flujo en sí está cubierto en la guía sobre rastrear menciones de una cuenta.

El script de abajo recolecta cada publicación que coincide con una consulta política dentro de una ventana de fecha, paginando a través de los resultados con el cursor de respuesta y escribiendo cada fila a tu propio almacenamiento. Cambia la query por una cadena from: de usuarios oficiales y el mismo bucle se vuelve un recolector de cuentas de políticos.

python
import requests

BASE = "https://api.sorsa.io/v3"
HEADERS = {"ApiKey": "YOUR_API_KEY"}

# Any political query works here: a hashtag, an issue phrase, a candidate's
# handle with from:, or a Boolean combination. since:/until: bound the
# window, so a debate night or a full campaign collects as one dated job.
query = "(#election OR ballot OR vote) since:2026-10-20 until:2026-11-05 lang:en"

def collect(query, order="latest", max_pages=50):
    rows, cursor = [], None
    for _ in range(max_pages):
        body = {"query": query, "order": order}
        if cursor:
            body["next_cursor"] = cursor
        r = requests.post(f"{BASE}/search-tweets", json=body,
                          headers=HEADERS, timeout=30)
        r.raise_for_status()
        data = r.json()
        for t in data.get("tweets", []):
            rows.append({
                "id": t["id"],
                "created_at": t["created_at"],
                "lang": t["lang"],
                "author": t["user"]["username"],
                "verified": t["user"]["verified"],
                "text": t["full_text"],
                "retweets": t["retweet_count"],
                "likes": t["likes_count"],
            })
        cursor = data.get("next_cursor")
        if not cursor:
            break
    return rows

rows = collect(query)
print(f"collected {len(rows)} posts")
# Persist rows to your own storage. That file is your political dataset.

El rastreo de menciones en tiempo real tiene una ventaja que ninguna recolección posterior a los hechos puede igualar: captura las publicaciones antes de que puedan ser borradas. Los políticos borran publicaciones a una tasa alta, y una eliminación es en sí misma un hallazgo, no solo datos faltantes. Sondear las cuentas oficiales y las menciones de candidatos hacia adelante, con una programación, convierte el problema de la eliminación de pérdida de datos silenciosa en un punto de datos que puedes estudiar. A lo largo de las recolecciones de ventana electoral que hemos corrido, las cuentas que vale la pena sondear más de cerca tienden a ser las que más borran, así que una lista de vigilancia de candidatos ajustada y un intervalo de sondeo corto usualmente van juntos. Las 20 solicitudes por segundo de Sorsa en todos los planes son suficiente margen para sondear una lista de vigilancia de candidatos a través de una noche electoral sin que una ventana de tasa por endpoint se reinicie a mitad de recolección.

Construir un dataset político etiquetado {#building-a-labeled-political-dataset}

La recolección te da publicaciones crudas; la salida de la investigación casi siempre es un dataset etiquetado. El ensamblaje es la parte directa: corre las consultas de arriba, deduplica por ID de tweet, y guarda los campos que necesitas, que para la mayoría del trabajo político significa el texto de la publicación, el usuario del autor, la marca de tiempo, el idioma y los conteos de engagement. Cada respuesta de tweet ya carga el perfil completo del autor sin solicitud extra, así que las características a nivel de cuenta como el conteo de seguidores y la antigüedad de la cuenta están ahí sin una segunda llamada. La mecánica completa de convertir una extracción cruda en un corpus de entrenamiento está cubierta en la guía sobre ensamblar un dataset de Twitter para machine learning.

El etiquetado es donde viven las elecciones de método. La anotación manual por codificadores entrenados es el estándar de oro para la postura y el sentimiento pero no escala más allá de unos pocos miles de publicaciones. Un atajo común en la literatura de ciencia política siembra las etiquetas a partir de hashtags: un tweet que lleva un hashtag claramente partidista se trata como una etiqueta débil, y esas etiquetas entrenan un clasificador que luego etiqueta el resto. El dataset de la elección de EE. UU. de 2016 de arriba hizo exactamente esto, derivando categorías de opinión a partir de señales de hashtag para construir un conjunto de entrenamiento de cientos de miles de tweets. Para el sentimiento y la postura en específico, el recorrido sobre clasificar el sentimiento de tweets cubre desde la recolección hasta la clasificación de extremo a extremo.

Para líneas base históricas más viejas que una ventana de recolección en vivo, los endpoints de búsqueda alcanzan el archivo completo de tweets hasta 2006, así que un dataset puede extraer contexto con fecha de ciclos pasados en lugar de empezar en hoy. La guía sobre buscar tweets antiguos a lo largo del archivo completo cubre las extracciones históricas con rango de fecha a fondo.

Errores que arruinan un dataset político {#pitfalls-that-wreck-a-political-dataset}

Cinco modos de falla arruinan calladamente los datasets políticos construidos sin tenerlos en mente, y aplican sin importar qué ruta de recolección elijas.

Los usuarios de X no son el electorado. La base de usuarios de la plataforma tiene sesgo por edad, geografía, educación y política, y no es la población que vota. Trata los datos de X como una medida del discurso en línea, no como una encuesta. Los pronósticos que confundieron ambos tienen un mal historial.

Bots y actividad coordinada. Los temas políticos atraen la publicación automatizada y coordinada más que casi cualquier otro asunto. Los conteos crudos de publicaciones y el sentimiento crudo se inflan por ello, así que un filtro de probabilidad de bot no es opcional para el trabajo serio, y reportar lo que filtraste es parte del método.

Publicaciones borradas y editadas. Un dataset recolectado después de los hechos omite calladamente las eliminaciones, y las eliminaciones de publicaciones políticamente sensibles corren altas. Solo la recolección hacia adelante captura una publicación antes de que pueda desaparecer, que es el argumento a favor del sondeo en tiempo real sobre las extracciones históricas de una sola vez.

Sesgo de encuadre de palabras clave. La consulta es una hipótesis. Un conjunto de palabras clave desbalanceado produce un dataset desbalanceado que ninguna cantidad de análisis posterior puede arreglar, así que la consulta balanceada y documentada de la sección de discurso es la decisión previa más importante.

Reproducibilidad. Si un dataset se construyó a partir de una muestra opaca, otros no pueden reconstruirlo. Documenta tu propia recolección, la consulta exacta, las fechas, la tasa y el endpoint, para que tu trabajo sea reproducible incluso cuando tus fuentes previas no lo fueron.

Un ejemplo de recolección en la práctica

Un grupo de investigación universitario que estudiaba una elección nacional necesitaba una ventana de campaña completa de discurso público, aproximadamente 3 millones de publicaciones a lo largo de seis semanas rastreando dos nóminas de candidatos y un conjunto de hashtags de temas. En la API oficial de X ese volumen supera el tope mensual de 2 millones de publicaciones, lo que empuja el proyecto a un contrato Enterprise que empieza históricamente alrededor de $42,000 al mes, fuera del alcance del subsidio. Mover la misma recolección a un plan de tarifa plana por solicitud llevó el presupuesto de datos por debajo de $900 al mes, un recorte de más de un 90 por ciento, y el grupo corrió la recolección hacia adelante a través de la noche electoral en lugar de reconstruirla después, así que las publicaciones borradas se capturaron antes de que desaparecieran. El trade-off fue honesto y declarado de entrada: el plan de tarifa plana es de solo lectura, así que cualquier flujo de trabajo que necesite escrituras se quedó en la API oficial, pero ninguna parte de la recolección de discurso electoral necesita una escritura.

Preguntas frecuentes {#faq}

¿Todavía se pueden recolectar datos políticos de Twitter para investigación?

Sí, pero la ruta cambió. El track gratuito de la API de investigación académica se discontinuó en 2023, así que la mayoría de los investigadores ahora trabajan a partir de datasets públicos recolectados antes o recolectan los suyos a través de una API de terceros que cobra por solicitud. La API oficial de X sigue siendo autoritativa y de primera parte, pero el volumen a escala de investigación tiene un precio para empresas en lugar de para proyectos individuales.

¿Cómo recolectas tweets de una lista de políticos?

Empieza a partir de una lista curada de usuarios oficiales validada contra una fuente autoritativa, luego extrae las publicaciones de cada cuenta a través de un endpoint de cronología de usuario por usuario o por ID numérico. A través de una API de tarifa plana esto es barato porque el volumen es pequeño, unos pocos miles de publicaciones al mes para toda una legislatura, y un endpoint de perfil por lote refresca hasta 100 cuentas por solicitud.

¿Cuánto cuesta recolectar tweets políticos?

A través de una API de tarifa plana por solicitud, la recolección cuesta desde $0.02 por cada 1,000 tweets y desde $0.01 por cada 1,000 perfiles, dentro de planes mensuales desde $49 por 10,000 solicitudes. Un dataset de cuentas de políticos es unos pocos dólares al mes. El discurso electoral amplio llega a millones de publicaciones, así que acota el rango de fechas y el conjunto de palabras clave para controlar la factura en lugar de dejar correr una consulta abierta.

¿Cómo limitas una recolección de tweets políticos a un rango de fechas específico?

Dos formas. Dentro de una búsqueda por palabra clave, los operadores de búsqueda avanzada since: y until: van en la cadena de consulta, así que una ventana de campaña se recolecta como una sola pasada con fecha. Para menciones de una cuenta específica, el endpoint de menciones toma los campos since_date y until_date en formato YYYY-MM-DD, más filtros de engagement mínimo, así que una noche de debate o un solo ciclo de noticias se recolecta limpiamente sin extraer toda la cronología.

¿Los datos de Twitter pueden predecir resultados electorales?

Trata esa afirmación con cautela. Los usuarios de X no son una muestra representativa del electorado, con sesgo por edad, geografía y política, así que los datos de X miden el discurso en línea en lugar de la intención de voto. Son genuinamente valiosos para estudiar narrativas, la fijación de agenda y la reacción pública a los eventos, y poco confiables como un pronóstico electoral por sí solo.

¿Cómo manejas los bots en los datos políticos de Twitter?

Asume que están presentes, porque los temas políticos atraen la publicación automatizada y coordinada más que la mayoría de los temas. Los conteos crudos de publicaciones y de sentimiento se inflan por ello, así que aplica un filtro de probabilidad de bot antes del análisis y reporta lo que quitaste. Tratar el volumen crudo como opinión pública genuina es un error común y serio en el trabajo de redes sociales político.

Recolectar y analizar publicaciones públicas para investigación o periodismo es ampliamente aceptado, y las cuentas políticas de interés público son claramente públicas. Sigue los términos del proveedor de la API, respeta las eliminaciones y las cuentas protegidas, y maneja cualquier dato personal bajo las reglas que apliquen para ti. El discurso político público en una plataforma pública es la categoría menos polémica de datos sociales para estudiar.

Cómo empezar {#getting-started}

La recolección política es barata de empezar y fácil de probar antes de comprometerse. Cada cuenta nueva recibe 100 solicitudes gratis: por única vez, sin tarjeta de crédito, sin expiración y válidas en los 40 endpoints, lo que alcanza para correr una extracción real de cuentas de políticos o una consulta de discurso acotada de extremo a extremo. Eso equivale a hasta 10,000 tweets o 20,000 perfiles, mucho más que los pequeños créditos de prueba típicos de los proveedores de pago por uso.

Prueba una consulta en el navegador primero a través de el playground de la API, luego conecta la misma llamada en un script con un solo encabezado ApiKey. Cuando una recolección crece más allá de una prueba acotada, los planes de tarifa plana escalan de 10,000 a 500,000 solicitudes al mes a un precio fijo, así que un proyecto de ciclo electoral tiene un presupuesto de datos predecible desde el inicio.

Revisado por Keksich, fundador de Sorsa, marketer e investigador de la API de X.

Esta guía se apoya en la operación práctica de los endpoints de búsqueda, de cronología y de menciones de la Sorsa API, el precio de pago por uso vigente de la API de X verificado contra las tarifas de la consola de desarrolladores de X al 11 de julio de 2026, y la literatura de ciencia política sobre la recolección de datos de Twitter, incluido el estudio de contribución de la API a la investigación (arXiv 2404.07340), el dataset Election2020 (arXiv 2010.00600), el dataset de legisladores brasileños (arXiv 1805.01589) y el estudio de opinión de la elección de EE. UU. de 2016 (arXiv 2002.00854). Se compararon dos modelos de recolección: la API oficial de X y la API de tarifa plana por solicitud de Sorsa.