Twitter 舆情分析：用 Python 采集推文并做情感分类

作者：Sorsa 编辑部

更新于 2026 年 7 月 8 日：把 Sorsa 的 100 次免费请求补进采集步骤和上手部分，并把采集成本改用每 1,000 条推文的批量费率表述。上一次更新刷新了 X API 定价和速率限制，加了一段在 Sentiment140 上训练分类器的走查，以及词云步骤。

核心要点： Twitter 情感分析用自然语言处理把推文分成正面、负面或中性。一条管道分两个阶段：先通过 API 或数据集采集推文，再用 VADER、TextBlob 或 RoBERTa 这类 transformer 给文本分类，其中 transformer 在英语推文上的准确率约为 88% 到 91%。

多数教程直接甩给你一份 2009 年的静态 CSV，跳过了最难的部分：拿到新鲜推文。本指南两半都讲。采集这一步用 Sorsa API，一个 Twitter/X API 替代服务商，理由是成本账很难反驳。调用一次 /search-tweets 接口最多返回 20 条推文，附完整作者资料，只算一次请求。所以 1 万条推文的数据集在 $199 的 Pro 套餐上大约花一美元，官方 X API 上则约 $150。接入只要请求头里一个 API 密钥，没有 OAuth，也不用等开发者账号审批，所有套餐统一 20 次/秒，价格最多可比官方 X API 便宜 50 倍。注册即送 100 次免费请求，无需绑卡，所以下面整条管道都能在花钱之前先跑通原型。

这个 API 是我们自己开发和运营的，下面的分类器也都在我们自己采集的数据上测过，所以这里的工作流就是我们实际在跑的。工具一直在变，架构多年没变：采集、清洗、分类、可视化。本指南剩下的部分用可运行的 Python 走一遍每个阶段。

目录

• 什么是 Twitter 舆情分析？
• 为什么 Twitter 舆情分析在 2026 年仍然重要
• 第 1 步：采集推文数据
• 第 2 步：清洗和预处理推文
• 第 3 步：选择情感分类方法
• 第 4 步：在 Python 里做情感分类
• 在有标注数据上训练自己的分类器
• 第 5 步：可视化和解读结果
• 你该用哪种方法？
• 常见陷阱和边缘情况
• 实际应用场景
• 做成一个完整项目
• 常见问题
• 如何开始

什么是 Twitter 舆情分析？ {#what-is-twitter-sentiment-analysis}

Twitter 情感分析，也叫观点挖掘，就是自动判断一条推文表达的是正面、负面还是中性观点。更高级的系统会把它扩展到具体情绪（比如愤怒、喜悦、悲伤），或者针对推文中点名的某个实体单独判断情绪。

每条管道都由三个组件搭起来：

1. 数据源。 通过 API、数据集或爬取采集到的推文。
2. 预处理。 清洗原始文本，去掉 URL、提及、表情符号和俚语这类噪音。
3. 分类。 用基于规则的词典、训练好的机器学习模型，或预训练 transformer 打上情感标签。

输出是一个标签（正面、负面或中性），通常还带一个置信度分数。拿这个输出做什么取决于你的目标：品牌监测、市场研究、学术研究，或者实时告警。

为什么 Twitter 舆情分析在 2026 年仍然重要 {#why-twitter-sentiment-analysis-still-matters-in-2026}

X（原 Twitter）仍是少数几个能让公众意见实时、以短小可分类片段浮出水面的平台之一。由于 X 不再发布官方数字，各方估计有出入，但独立追踪机构认为截至 2026 年初这个平台约有 5.5 亿到 6 亿月活用户。这些用户对品牌、产品、政治和事件发表看法，格式从结构上非常适合 NLP。

有三个特性让这份数据格外有用：

量大且快。 一个热门话题几小时就能产生数百万条帖子，没有哪种问卷或焦点小组能这么快产出信号。

默认公开。 多数推文是公开的，可以通过 API 获取，省掉了 Facebook、Instagram 这类平台上让舆情工作变复杂的授权和访问门槛。

是反应，不是精心打磨的内容。 人们是当下发帖的。航班被取消时随手发的一条推文，比三天后写的润色评论更能反映真实的客户情绪。这种原始质感更难处理，但分析起来更诚实。

第 1 步：采集推文数据 {#step-1-collecting-tweet-data}

这一步是多数教程掉链子的地方。经典配方是：装 Tweepy、用 Twitter 免费 API 认证、拉推文。这条路在 2023 年 Twitter 取消免费 API 访问时就断了，成本此后一路攀升。

2026 年的数据采集格局

想把推文送进 Python 管道，现实中有三个选项。

选项 A：静态数据集。 下载预标注数据集，比如 Sentiment140（2009 年的 160 万条推文）或 TweetEval 基准。学习和做原型够用，但数据已经好几年了，分析不了当前事件，也分析不了你自己的品牌。

选项 B：官方 X API。 截至 2026 年，X 走按量付费，对新账号没有订阅套餐。帖子读取每条 $0.005，用户资料每份 $0.010，每月还有 200 万条帖子读取的硬性上限。一次返回 20 条推文的搜索要花 $0.10 的帖子读取，想要作者资料再加 $0.20。认证走 OAuth 2.0。一个 1 万条推文、带用户数据的数据集，大约要 $150。

选项 C：第三方 API。 Sorsa 这类服务商通过简单的 REST 接口提供同样的公开 Twitter 数据，按请求计费。调用一次搜索接口最多返回 20 条推文，含完整作者资料，无论结果多少都只算一次请求。在 Pro 套餐（$199/月，含 10 万次请求）上，同样这 1 万条推文的数据集约 $1。认证是请求头里的一个 API 密钥，没有 OAuth 流程，也不用等审批。

下面把采集成本并排列出来，每个选项都带真实数字：

如果只是学建模，静态数据集够用。但凡涉及当下的内容，按请求计费的 Twitter/X API 能同时省掉成本尖峰和 OAuth 搭建。两家服务商的完整数字在我们的 Twitter/X API 定价拆解里。如果你还在比较采集方式，用 Python 拉取 X 数据对下面这套基于 requests 的写法讲得更细。

用 Python 采集推文

先装 requests 库：

pip install requests

下面这个函数采集匹配某个搜索查询的推文，并处理分页：

import requests
import time

def collect_tweets(query, api_key, max_tweets=500):
    """
    从 Sorsa /search-tweets 接口采集推文。
    返回一个列表，每项是带文本、元数据和作者信息的推文 dict。
    """
    url = "https://api.sorsa.io/v3/search-tweets"
    headers = {
        "ApiKey": api_key,
        "Content-Type": "application/json",
    }

    all_tweets = []
    next_cursor = None

    while len(all_tweets) < max_tweets:
        payload = {"query": query, "order": "latest"}
        if next_cursor:
            payload["next_cursor"] = next_cursor

        response = requests.post(url, headers=headers, json=payload)
        response.raise_for_status()
        data = response.json()

        tweets = data.get("tweets", [])
        if not tweets:
            break

        all_tweets.extend(tweets)
        next_cursor = data.get("next_cursor")
        if not next_cursor:
            break

        time.sleep(0.05)  # 保持在速率限制之下

    return all_tweets[:max_tweets]


# 用法
API_KEY = "YOUR_API_KEY"
tweets = collect_tweets(
    query='"iPhone 17" lang:en -filter:retweets',
    api_key=API_KEY,
    max_tweets=500,
)

print(f"Collected {len(tweets)} tweets")

关于这个函数，有几点值得说明：

• 查询里用 Twitter 高级搜索语法筛出英语原创帖子并丢掉转发。加 min_faves:5 可以滤掉垃圾内容，加 since:2026-04-01 可以限定日期范围。
• 响应里每条推文都带 full_text、created_at、互动指标（likes_count、retweet_count、reply_count、view_count），以及嵌在 user 下的完整作者资料。用户数据不需要额外调用。
• next_cursor 字段驱动分页，返回 null 就说明到底了。
• 每页 20 条推文，500 条推文需要 25 次请求，在 Pro 套餐上约 $0.05。

大规模采集时，可以并行跑几个查询（不同关键词、日期窗口或账号），之后按推文 ID 去重。

第 2 步：清洗和预处理推文 {#step-2-cleaning-and-preprocessing-tweets}

原始推文很乱。一条帖子可能同时混着提及、URL、话题标签、表情符号、俚语、拼写错误，还不止一种语言。直接喂进分类器会把准确率拖下来。

下面这个函数处理最常见的噪音：

import re

def clean_tweet(text):
    """为情感分析清洗一条推文。"""
    text = re.sub(r'@\w+', '', text)          # 移除 @提及
    text = re.sub(r'https?://\S+', '', text)  # 移除 URL
    text = re.sub(r'^RT\s+', '', text)        # 移除 RT 前缀
    text = text.replace('#', '')              # 保留词，去掉井号
    text = re.sub(r'\s+', ' ', text).strip()  # 折叠空白
    return text


for tweet in tweets:
    tweet['clean_text'] = clean_tweet(tweet['full_text'])

表情符号怎么处理？

表情符号带着很强的情感信号。一条写着 “new update 💀🤡” 的推文语气明显是负面的，剥掉表情符号这个信号就没了。有两种合理做法：

1. 保留表情符号，用能读懂它们的分类器（VADER 和 RoBERTa 都可以）。
2. 把表情符号转成文本，用 emoji 库（pip install emoji），把 😊 变成 :smiling_face_with_smiling_eyes:。这对不原生支持表情符号的词典类工具很有帮助。

对 RoBERTa 这类 transformer 模型，表情符号原样保留即可，模型在训练时已经学过它们的含义。

要不要做词干提取或词形还原？

很多教程把词干提取和词形还原当成必做步骤，其实不是。如果用 TF-IDF 特征加传统模型（朴素贝叶斯、SVM），词干提取能缩小词汇量，确实有帮助。但如果用预训练 transformer 或 VADER 这类词典工具，直接跳过：这些工具内部就处理词形，激进的词干提取反而毁掉信号。“Unhappy” 被词干提取成 “unhappi”，词典就匹配不上了。

第 3 步：选择情感分类方法 {#step-3-choosing-a-sentiment-classification-method}

这是整条管道里最重要的架构决策。大体有四种方法，在准确率、速度、成本和搭建难度上各有取舍。

方法 1：基于规则的词典（VADER、TextBlob）

这类工具自带一份按极性打分的词典，配上处理否定和强调的规则，输出一个复合分数。

VADER（Valence Aware Dictionary and sEntiment Reasoner）专为社交媒体设计，能处理表情符号、俚语、大写（“GREAT” 比 “great” 分更高）和程度副词（“very good” 对比 “good”），而且即开即用，不用加载模型，也不用 GPU。

TextBlob 用的是从产品评论里提炼的词典，返回极性（-1 到 +1）和主观性（0 到 1）。比 VADER 简单，针对社交文本的调优也少。

什么时候用： 快速做原型、对延迟敏感的实时打分，或者你需要看清哪些词决定了分数。在语义含糊的文本上偏弱。

方法 2：传统机器学习分类器（朴素贝叶斯、SVM、逻辑回归）

用 TF-IDF 特征在标注好的推文上训练分类器，这是 transformer 出现之前的标准做法。你需要一份标注训练集（一般选 Sentiment140），模型从中学习词与情感的关联。TF-IDF 加逻辑回归在 Sentiment140 上通常能到 80% 到 82% 的准确率，几分钟就能训完。完整走查见下面的训练一节。

什么时候用： 你有领域特定的标注数据，又想要一个不依赖 GPU 就能跑的轻量模型。

方法 3：预训练 transformer（RoBERTa）

Hugging Face 上的 cardiffnlp/twitter-roberta-base-sentiment-latest 模型在 2018 到 2021 年约 1.24 亿条推文上训练，并在 TweetEval 基准上做了微调。它把文本分成负面、中性和正面三类，准确率明显高于词典法和经典机器学习方法。已发表的基准显示，基于 RoBERTa 的模型在 Twitter 情感任务上约为 88% 到 91%，VADER 和 TextBlob 约为 73% 到 75%。

什么时候用： 准确率比速度更重要。需要 transformers 库，批处理最好配 GPU，不过数据量小的话 CPU 推理也够。

方法 4：商业平台（Sprinklr、Brandwatch、Meltwater）

自带情感分析的企业级社媒聆听工具，把采集、分类和看板打包在一起，定价通常每月数千美元。

什么时候用： 需要看板和多语言支持、又不想自己开发的企业团队。对只想交付一条聚焦管道的开发者来说是杀鸡用牛刀，而且你会失去对预处理和模型选择的控制权。

第 4 步：在 Python 里做情感分类 {#step-4-running-sentiment-analysis-in-python}

下面三种基于代码的方法，都跑在第 1 步采集到的推文上。

方法 1：VADER

pip install vaderSentiment

from vaderSentiment.vaderSentiment import SentimentIntensityAnalyzer

analyzer = SentimentIntensityAnalyzer()

def vader_sentiment(text):
    scores = analyzer.polarity_scores(text)
    compound = scores['compound']
    if compound >= 0.05:
        return 'positive', compound
    elif compound <= -0.05:
        return 'negative', compound
    else:
        return 'neutral', compound


for tweet in tweets:
    label, score = vader_sentiment(tweet['clean_text'])
    tweet['vader_label'] = label
    tweet['vader_score'] = score

from collections import Counter
print(Counter(t['vader_label'] for t in tweets))

VADER 很快，在笔记本上约每秒 1 万条推文。复合分数从 -1（最负面）到 +1（最正面），正负 0.05 是原论文推荐的阈值。

方法 2：TextBlob

pip install textblob

from textblob import TextBlob

def textblob_sentiment(text):
    polarity = TextBlob(text).sentiment.polarity
    if polarity > 0:
        return 'positive', polarity
    elif polarity < 0:
        return 'negative', polarity
    else:
        return 'neutral', polarity


for tweet in tweets:
    label, score = textblob_sentiment(tweet['clean_text'])
    tweet['textblob_label'] = label
    tweet['textblob_score'] = score

TextBlob 大约比 VADER 慢一倍，但仍然很快。有一点要注意：它的词典来自产品评论，所以碰到词汇表外的俚语时，容易把俚语密集的推文一律标成中性。

方法 3：预训练 RoBERTa Transformer

pip install transformers torch scipy

from transformers import AutoModelForSequenceClassification, AutoTokenizer
from scipy.special import softmax
import numpy as np

MODEL = "cardiffnlp/twitter-roberta-base-sentiment-latest"
tokenizer = AutoTokenizer.from_pretrained(MODEL)
model = AutoModelForSequenceClassification.from_pretrained(MODEL)

labels_map = {0: 'negative', 1: 'neutral', 2: 'positive'}

def preprocess_for_roberta(text):
    """把 @提及 和 URL 替换成模型期望的占位符。"""
    out = []
    for token in text.split():
        token = '@user' if token.startswith('@') and len(token) > 1 else token
        token = 'http' if token.startswith('http') else token
        out.append(token)
    return ' '.join(out)


def roberta_sentiment(text):
    processed = preprocess_for_roberta(text)
    encoded = tokenizer(processed, return_tensors='pt', truncation=True, max_length=512)
    scores = model(**encoded).logits[0].detach().numpy()
    probs = softmax(scores)
    idx = int(np.argmax(probs))
    return labels_map[idx], float(probs[idx])


# 喂原始文本，不要喂清洗过的版本：RoBERTa 自己做预处理
for tweet in tweets:
    label, confidence = roberta_sentiment(tweet['full_text'])
    tweet['roberta_label'] = label
    tweet['roberta_confidence'] = confidence

RoBERTa 需要自己那套预处理：提及换成 @user，URL 换成 http。喂原始推文文本，让模型看到的上下文和训练时保持一致。CPU 上每秒处理约 5 到 15 条推文，哪怕换一块普通 GPU 也能跳到 200 条以上。超过 1 万条推文，就上 GPU 批处理。

在有标注数据上训练自己的分类器 {#training-your-own-classifier-on-labeled-data}

预训练模型能覆盖大多数需求。只有当你的领域语言和普通推文差得很远（金融、医疗、法律、非英语），并且手上有标注样本时，才值得自己训练。所有教程级的管道都是同一个套路，所以端到端看一遍很有价值：加载标注推文、用 TF-IDF 向量化、训练分类器、读指标。

pip install pandas scikit-learn

import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report

# Sentiment140：列依次是 polarity, id, date, query, user, text
cols = ['polarity', 'id', 'date', 'query', 'user', 'text']
df = pd.read_csv('sentiment140.csv', header=None, names=cols, encoding='latin-1')

# 映射标签：0 保持负面，4 变成正面
df = df[df['polarity'].isin([0, 4])].copy()
df['label'] = df['polarity'].map({0: 0, 4: 1})
df['clean_text'] = df['text'].apply(clean_tweet)  # 复用第 2 步的清洗函数

X_train, X_test, y_train, y_test = train_test_split(
    df['clean_text'], df['label'], test_size=0.2, random_state=42
)

vectorizer = TfidfVectorizer(max_features=5000, ngram_range=(1, 2))
X_train_vec = vectorizer.fit_transform(X_train)
X_test_vec = vectorizer.transform(X_test)

# class_weight='balanced' 用来防止标签数量倾斜
clf = LogisticRegression(max_iter=1000, class_weight='balanced')
clf.fit(X_train_vec, y_train)

print(classification_report(y_test, clf.predict(X_test_vec)))

给新推文分类时，要先把它们过一遍同样的清洗函数和向量化器，再调用 clf.predict。如果标签严重不平衡（真实品牌数据里很常见，往往中性占绝对多数），保留 class_weight='balanced'，或者用 SMOTE 对少数类过采样，别让模型直接塌到多数类上。

多数团队实际用的捷径是：先手动标注一小批，或用预训练 RoBERTa 模型标注，再审查质量，然后在这批结果上微调。这份标注集完全可以用搜索接口采集的实时数据来构建，所以第 1 步那段采集代码同时服务预训练路径和自训练路径。怎么组装并标注一个训练语料库，见我们的为机器学习构建 Twitter 数据集。

第 5 步：可视化和解读结果 {#step-5-visualizing-and-interpreting-results}

原始标签有用，但情感趋势才可行动。下面是怎么把分类好的推文变成利益相关方能据此决策的东西。

import pandas as pd

df = pd.DataFrame(tweets)
df['created_at'] = pd.to_datetime(df['created_at'])

# 分布
print(df['roberta_label'].value_counts(normalize=True))

# 情感随时间变化（按小时分桶）
df.set_index('created_at', inplace=True)
hourly = df.groupby([pd.Grouper(freq='h'), 'roberta_label']).size().unstack(fill_value=0)
hourly.plot(kind='area', stacked=True, figsize=(14, 6), title='Sentiment Over Time')

做品牌监测时，最有行动价值的指标往往不是整体比例，而是比例的变化。一个平时正面率 60% 的品牌掉到 40%，就说明有值得排查的问题，哪怕绝对数字看起来还算正面。

按传播量给情感分数加权，让声量大的推文权重更高。API 响应为每条推文提供 likes_count、retweet_count 和 view_count，和我们在 Twitter 互动 API 指南里讲的回复、引用、转发用户的互动字段是同一套：

df['weighted_sentiment'] = df['vader_score'] * df['view_count']
print(f"Weighted sentiment index: {df['weighted_sentiment'].sum():.2f}")

词云是查看某个情感类别由什么驱动的最快方式。按标签拆开看，就能知道负面背后到底是什么抱怨：

from wordcloud import WordCloud

negative_text = " ".join(
    t['clean_text'] for t in tweets if t.get('roberta_label') == 'negative'
)
WordCloud(width=1200, height=600, background_color='white') \
    .generate(negative_text).to_file('negative_wordcloud.png')

你该用哪种方法？ {#which-approach-should-you-use}

下面是基于已发表基准和真实使用情况的横向对比。

准确率数字来自 TweetEval 数据集和 Sentiment140 上的基准。在你自己的数据上，实际表现会随领域、语言混合程度，以及含糊或讽刺文本的占比而变化。

实际操作中，我们先用 VADER 拉一条快速基线。准确率要紧时，就切到预训练 RoBERTa 模型。只有当领域语言确实让自训练模型打赢预训练模型时（医疗、法律、非英语），我们才自己训。

常见陷阱和边缘情况 {#common-pitfalls-and-edge-cases}

下面这些问题在舆情项目里反复出现。

讽刺检测

“Great, another app update that breaks everything I use daily.”（太好了，又一次把日常要用的东西全搞坏的应用更新。）所有词典和多数机器学习模型都会因为 “great” 把这句读成正面。Transformer 抓到讽刺的概率更高，但没有一个可靠。如果讽刺在你的领域里很常见（科技圈 Twitter、政治评论），就加一层讽刺检测，或者人工复查“高互动的正面”簇，爆款讽刺帖往往藏在那里。

机器人和垃圾内容污染

自动化账号会扭曲分布，一次有组织的活动能让某个话题看起来压倒性地正面或负面。按互动阈值过滤（搜索查询里加 min_faves:1），并检查跨账号是否存在重复或高度相似的文本。

转发偏差

一旦把转发算进来，一条被转发 5 万次的爆款负面推文就会主导整个数据集。-filter:retweets 能剥掉原生转发。引用推文因为附带了评论，可以保留，但只给引用部分的文本打分。

语言混杂

Twitter 是全球性的。即便加了 lang:en，你也会碰到语码转换的推文（“this movie was vraiment terrible”）和音译文本。推文响应里的 lang 字段在多数情况下可靠，但短帖子或表情符号密集的帖子容易被误判。如果对纯度要求高，用 langdetect 再加一道校验。

否定处理

“Not bad”（还不赖）是正面，“Not good at all”（一点都不好）是负面。VADER 处理基础否定不错，TextBlob 比较吃力，RoBERTa 处理复杂否定比两者都好，因为它读的是整句，不是给孤立的词打分。

实际应用场景 {#practical-use-cases}

品牌监测

情感分析是大多数社媒聆听项目背后的引擎。围绕品牌名、产品或活动话题标签做实时监测：用 Sorsa 的 /mentions 接口采集提及，这个接口支持按最低互动量和日期范围过滤，把结果过一遍 RoBERTa，负面情绪越过阈值时给团队告警。大多数实时 Twitter 监测方案用的都是这套模式。

金融市场情绪

加密和股票交易团队把 Twitter 情绪当作另类数据信号。把情感分数与 cashtag 搜索（$TSLA、$BTC）以及互动加权结合起来，就能构建一个情绪指数。Sorsa Score 接口再加一层，给加密生态里的账号影响力打分，这样就能按“谁在发帖”给信号加权。

学术研究

研究选举、公共卫生危机或社会运动的研究者，需要大规模、按时间界定的数据集。用日期范围操作符（since:2026-01-01 until:2026-03-01）可以精确取到需要的切片。历史存档可回溯到 2006 年，且不收存档附加费。查询较旧帖子的完整做法，见我们的搜索历史 Twitter 数据。

客户反馈分析

把情感和话题提取结合起来，就能查明客户到底对什么不满，而不只是知道他们不满。按关键词给负面推文聚类，再人工复查排在前面的几个簇。这一步在定量打分和定性洞察之间搭了座桥。

实战

我们合作过的一个约 12 人的市场研究团队，一直在官方 X API 上拉品牌提及，每个月不到月底就撞上 200 万条帖子读取上限。结果就是每次产品发布、最需要覆盖度的时候，采集反而被掐住。把采集层换成按请求计费的 Twitter/X API 之后，上限问题消失了，月度数据账单也大幅下降。按请求计费最多可比按资源计费便宜 50 倍，处在这个位置的团队，同样的量级通常能看到采集费用降低差不多的倍数。他们的分类器技术栈一点没动，变的只是推文的来源。

做成一个完整项目 {#building-this-as-a-complete-project}

上面五个阶段本身就构成一个作品集级别的项目，这也是 “twitter sentiment analysis” 成为热门毕业设计和研究选题的原因。想把它打包成一个连贯的项目，而不是一堆零散片段，可以这样做。先挑一个具体话题（某个产品、某种疫苗、某场选举、某支股票），用搜索接口采集几千条相关推文。然后过一遍清洗函数和你选定的分类器，最后用第 5 步的时间序列图和词云收尾。

想让报告可复现，记录三件事：确切的搜索查询和日期范围、分类器及其版本，以及你最终得到的标签分布。有这三样，任何人都能重跑你的分析，这也正是审阅者和评分者要找的东西。如果你还想要一个能部署的界面，把整条管道包进一个小的 Streamlit 或 Flask 应用，让非技术用户输入关键词就能看到情感分布。数据层通常是唯一卡住人的环节，而按请求计费的 X API 替代方案能让这一层对学生或研究预算来说既便宜又免审批。

常见问题 {#faq}

做 Twitter 情感分析需要哪些 Python 库？

采集方面，如果走 REST API，requests 就够了。分类方面常用三个库：vaderSentiment（基于规则，针对社交媒体调优）、textblob（基于规则，通用），以及 Hugging Face 的 transformers（提供 RoBERTa 这类预训练模型）。再加 pandas 做数据处理，matplotlib 或 wordcloud 做可视化。一行装完：pip install requests vaderSentiment textblob transformers torch pandas matplotlib wordcloud。

Twitter 情感分析有多准确？

准确率完全取决于方法。VADER 这类基于规则的工具，在标准 Twitter 基准上约为 73% 到 75%。传统机器学习分类器（TF-IDF 加逻辑回归或 SVM）约为 80% 到 82%。twitter-roberta-base-sentiment-latest 这类预训练 transformer 能到 88% 到 91%。没有哪种方法能可靠处理讽刺或强上下文依赖的内容，所以生产环境里要预留 10% 到 15% 的边缘情况做人工复查。

不用 Twitter 开发者账号，采集实时推文做情感分析最简单的办法是什么？

2026 年最简单的路线是用第三方 REST API。Sorsa API 通过请求头里的单个 API 密钥，从 /search-tweets 接口返回带完整作者资料的实时推文，没有 OAuth，也不用开发者账号审批。注册即送 100 次免费请求，无需绑卡，永不过期，所以在花钱之前就能采集并分类第一批数据。一次调用最多返回 20 条推文，只占一次请求，速率限制是统一的 20 次/秒；写代码之前还能先在免费的搜索生成器里把查询调好。

给推文做情感分析，VADER 和 TextBlob 哪个更好？

针对 Twitter，VADER 更好。它是为社交媒体文本设计的，能处理表情符号、俚语、大写强调和程度副词（“very good” 对比 “good”），这些恰恰是 TextBlob 那套基于评论的词典会漏掉的。在对比研究中，VADER 在社交文本上比 TextBlob 高出约 2 到 3 个百分点。只有当你同时需要主观性分数，或者处理的是更正式的文本时，才选 TextBlob。

英语以外语言的推文怎么处理？

本指南里的英语工具（VADER、TextBlob、Cardiff 的 RoBERTa 模型）都只支持英语。做多语言情感分析，可以用 Hugging Face 的 cardiffnlp/twitter-xlm-roberta-base-sentiment，它支持多种语言。采集时用 lang: 操作符按语言过滤（例如西班牙语 lang:es、法语 lang:fr），再挑一个用该语言训练过的分类器。

采集推文做情感分析要花多少钱？

在官方 X API（截至 2026 年为按量付费）上，帖子读取每条 $0.005，用户资料每份 $0.010，所以 1 万条带作者数据的推文约 $150。在 Sorsa 这类按请求计费的服务商上，同样这 1 万条推文在 $199 的 Pro 套餐上约 $1，因为一次搜索请求最多返回 20 条带资料的推文。这个差距在读密集型工作上最高可达 50 倍，也正是多数舆情分析管道一旦上量就离开按资源计费的原因。

Twitter 情感分析能检测讽刺吗？

用现有任何工具都不可靠。讽刺依赖上下文、文化背景，有时还依赖作者的历史发言，而单条推文的文本这些都提供不了。RoBERTa 这类 transformer 抓到明显讽刺的概率比词典工具高，但基准显示，即便最好的模型在专门的讽刺检测任务上也只有约 70% 到 75%。关键场景下，可以把标签与互动明显矛盾的推文标记出来复查，比如一条“正面”推文下面全是愤怒回复。

训练 Twitter 情感分类器最好的数据集是什么？

Sentiment140（160 万条标为正面或负面的推文）是使用最广的训练集，不过数据来自 2009 年，而且没有中性类。做三分类的话，Cardiff NLP 的 TweetEval 基准是当前标准，twitter-roberta-base-sentiment 模型就是在它上面微调的。做领域特定的工作，就自己标注：先用预训练模型标注一个大语料库，抽样审查，再在结果上微调。

如何开始 {#getting-started}

想在实时 Twitter 数据上搭一条舆情分析管道，最快的路径是这样：

1. 拿一个 API 密钥，在 Sorsa 控制台。创建账号，领取 100 次免费请求（无需绑卡，永不过期），40 个接口全部包含在内，足够在花钱之前拉最多 1 万条推文或 2 万份用户资料。之后批量采集每 1,000 条推文 $0.02 起，付费套餐 $49/月起，含 1 万次请求，没有审批环节，几分钟就能配好。
2. 先调查询，在免费的搜索生成器里测试搜索语法并预览结果，不用写代码。
3. 复制本指南里的 Python 代码，直接开始采集和分类。从采集到可视化，100 行以内装得下。
4. 看文档，在 docs.sorsa.io 查接口细节、分页，以及统一 20 次/秒的速率限制。

需要批量接口或大规模采集的定制套餐，见关于 Sorsa或联系销售。

审校：Keksich（Sorsa 创始人，X API 研究者）

本文是怎么写成的：内容取材于我们亲手开发并运营 Twitter/X API 替代方案的经验，以及在我们自己采集的实时数据上跑上面这些分类器的结果。技术细节对照 Sorsa API 文档和 cardiffnlp/twitter-roberta-base-sentiment-latest 的 Hugging Face 模型卡核验过，准确率数字可追溯到 TweetEval 基准；官方 X API 价格和 200 万条帖子读取上限，在更新本文时对照当前公开定价重新核对。四种分类方法我们做过端到端对比。最后核验于 2026 年 7 月 8 日。