はじめに

プロ野球の実況ツイートを集めて，自然言語処理系の分析をしています。
ここでは，おもにスクレイピングのはなしと，tweepyを使った大量のツイート取得について書いています。

2019年度の記録と，2020年度の途中までの記録を載せています。
試合のデータをスクレイピングして，ツイート検索の時刻を決定しているのですが，2019年度と2020年度で，スクレイピングしていたページの構造が変わったため，2020年度の方に更新しました。

2019年プロ野球(NPB)の実況ツイート

2019年プロ野球(NPB)の実況ツイートをハッシュタグで毎日取得し続けた結果です。
Pythonファイルをcronで毎日実行して１年間取得しました。

※ たまにバグで取得できていないところや，試合が中止になったため途切れているところもあるので，
　そこはご了承ください

セリーグ		パリーグ
巨人	#kyojin, #giants	日本ハム	#lovefighters
中日	# dragons	ソフトバンク	#sbhawks
広島	#carp	楽天	#rakuteneagles
ヤクルト	#swallows,#yakultswallows	西武	#seibulions
阪神	#hanshin,#tigers	ロッテ	#chibalotte
ＤｅＮＡ	#baystars	オリックス	#Orix_Buffaloes

2020年プロ野球(NPB)の実況ツイート

（2020年8月15日まで）

取得したツイートのハッシュタグ
2020年度内でも途中で変更を行いましたが，最終的に下の通りに落ち着きました。

セリーグ		パリーグ
巨人	#kyojin, #giants	日本ハム	#lovefighters, #日ハム
中日	#dragons, #中日ドラゴンズ	ソフトバンク	#sbhawks, #ホークス
広島	#carp, #広島カープ	楽天	#rakuteneagles, #楽天イーグルス
ヤクルト	#swallows, #ヤクルトスワローズ	西武	#seibulions, #西武ライオンズ
阪神	#hanshin, #阪神タイガース	ロッテ	#chibalotte, #千葉ロッテマリーンズ
ＤｅＮＡ	#baystars, #ベイスターズ	オリックス	#bs2020, #バファローズ

実況ツイート取得の概要

1. 対象の日の対戦カード・試合の時刻を取得

スポーツの速報などを提供しているWebサイトをスクレイピングすることによって取得する。

スクレイピング先
- SPORTS BULL（https://sportsbull.jp/stats/npb/）
- スポーツナビ (by Yahoo!JAPAN)（https://baseball.yahoo.co.jp/npb/schedule/）

2. 試合の時刻を指定して，ハッシュタグから実況ツイートを取得

各チームのIDとハッシュタグ（検索クエリ）

ハッシュタグの辞書型オブジェクト(tag_list)
key：自分が定めた team_id
item：ハッシュタグ（ツイート検索するときのクエリ）

tag_list = {0: '#kyojin OR #giants', 1: '#dragons OR #中日ドラゴンズ',\
            2: '#carp OR #広島カープ', 3: '#swallows OR #ヤクルトスワローズ',\
            4: '#hanshin OR #阪神タイガース', 5: '#baystars OR #ベイスターズ',\
            6: '#lovefighters OR #日ハム ', 7: '#sbhawks OR #ホークス',\
            8: '#rakuteneagles OR #楽天イーグルス', 9: '#seibulions OR #西武ライオンズ',\
            10: '#chibalotte OR #千葉ロッテマリーンズ', 11: '#bs2020 OR #バファローズ'}

実装

仕様ライブラリ(Python)
今回使うライブラリは以下の通り。
適宜インストールしてください。

getLiveTweet_NPB.py

from urllib.request import urlopen
import tweepy
from datetime import timedelta
import time
import sqlite3
from contextlib import closing
import datetime
from bs4 import BeautifulSoup
import urllib.request as req

対戦カードを取得

SPORTS BULL（https://sportsbull.jp/stats/npb/）
から指定した日時に行われた試合をスクレイピングする。
スポナビから取得しても良いが，こちらの方がHTMLの構造が簡単。

getLiveTweet_NPB.py


def get_gameteamId(gamedate):
    url = 'https://sportsbull.jp/stats/npb/home/index/' + gamedate
    print(url)
    res = req.urlopen(url)
    soup = BeautifulSoup(res, 'html.parser')
    q = soup.select('.game-block a')
    gameId_list = []
    flag_list = [1 for i in range(12)]
    i = 0
    for p in q:
        # print(p)
        urls = p.get('href')
        # print(urls)
        p_ = p.select('.st-03')
        #print(p_)
        for p__ in p_:
            if '中止' in str(p__.text) or 'ノーゲーム' in str(p__.text):
                print('中止')
                flag_list[i] = 0
                flag_list[i+1] = 0
        if flag_list[i] == 1:
            print(urls[-10:])
            gameId_list.append(urls[-10:])
        i += 2
    print('flag_list: ',flag_list)
    q = soup.select('.game-block .play-box01 dt')
    teamId_list = []
    # 研究共通
    teamId_dic = {'巨人': 0, '中日': 1, '広島': 2, 'ヤクルト': 3, '阪神': 4, 'ＤｅＮＡ': 5,
                  '日本ハム': 6, 'ソフトバンク': 7, '楽天': 8, '西武': 9, 'ロッテ': 10, 'オリックス': 11}
    i = 0
    for p in q:
        print(p.text)
        if flag_list[i] == 1:
            teamId_list.append(teamId_dic[p.text])
        i += 1
    return gameId_list, teamId_list


#日付
def get_date(days_ago):
	date = datetime.date.today()
	date -= datetime.timedelta(days=days_ago)
	date_str = str(date)
	date_str = date_str[:4]+date_str[5:7]+date_str[8:10]
	return date_str


# 例 --------------------------
n = 1
game_date = get_date(n) # 自動(n日前のデータを取得)
game_date = '20200401' # 手入力
print(game_date,'のデータを取得,')
# -----------------------------

#ゲームID，チームIDのリスト
gameteamId_list = get_gameteamId(game_date)
gameId_list = gameteamId_list[0]
teamId_list = gameteamId_list[1]
print('gameId_list:',gameId_list)
print('teamId_list:',teamId_list)

実行結果の例

20200401 のデータを取得
https://sportsbull.jp/stats/npb/home/index/20200401
flag_list: [1,1,1,1,0,0,0,0,0,0,0,0]
gameId_list: [2020040101,2020040102]
teamId_list: [0,1,2,3]

この場合，
gameId = 2019040101 で巨人(Home) vs 中日(away)
gameId = 2019040102 で広島(Home) vs ヤクルト(away)
の試合が行われたとなる

試合の開始時間と終了時間を取得

Yahoo!のスポナビ（https://baseball.yahoo.co.jp/npb/schedule/）
の各試合のページ
https://baseball.yahoo.co.jp/npb/game/[game_id]/top
から開始時間と試合時間がとれるため，足し算して開始時間と終了時間を取得する

getLiveTweet_NPB.py


# 試合の開始時間と終了時間をスクレイピングで取得
def gametime(game_id):
    url = 'https://baseball.yahoo.co.jp/npb/game/' + game_id + '/top'
    print(url)
    res = req.urlopen(url)
    soup = BeautifulSoup(res, 'html.parser')
    time = []

    # 開始時間
    css_select = '#contentMain .bb-gameDescription time'
    q = soup.select(css_select)
    print(q[0].text)
    time.append(q[0].text[-5:-3])
    time.append(q[0].text[-2:])

    # 終了時間
    minutes = []
    css_select = '.bb-tableLeft .bb-tableLeft__data'
    q = soup.select(css_select)
    for q_ in q:
        # print(q_.text)
        if '時間' in q_.text:
            minutes = q_.text.split('時間')
    minutes[1] = minutes[1][:-1]
    print(minutes)

    time = time + minutes
    return time

↑この関数の出力

# 開始時間が18:00，試合時間が3時間15分の場合
[18,0,21,15]

TwitterAPIで検索

TwitterAPIのsearchを使って時間内の全ツイートを取得する。
１度のリクエストで取得できるツイートは100件なので，それを繰り返す。
API制限に引っかかったら，一時停止して15待つ。

試合開始から試合終了５分後までのツイートを対象にしている。

getLiveTweet_NPB.py


# TwitterAPI
APIK = 'consumer_key'
APIS = 'consumer_secret'
AT = 'access_token'
AS = 'access_token_secret'
auth = tweepy.OAuthHandler(APIK, APIS)
auth.set_access_token(AT, AS)
api = tweepy.API(auth)

# TwitterAPI検索
def search_livetweet(team_num, api, game_id, query):
    print(query)    # 最新のつぶやきから取得
    print('検索ページ：1')
    try:
        tweet_data = api.search(q=query, count=1)
    except tweepy.TweepError as e:
        print('エラー：15ふん待ちます')
        time.sleep(60 * 15)

    tweet_data = api.search(q=query, count=100)
    table_name = 'team' + str(team_num)
    # この関数はデータベースに保存する用
    saveDB_tweet(table_name, 0, tweet_data, game_id)
    print('************************************************\n')
    next_max_id = tweet_data[-1].id

    page = 1
    while True:
        page += 1
        print('検索ページ：' + str(page))
        try:
            tweet_data = api.search(q=query, count=100, max_id=next_max_id - 1)
            if len(tweet_data) == 0:
                break
            else:
                next_max_id = tweet_data[-1].id
                # この関数はデータベースに保存する用
                saveDB_tweet(table_name, page - 1, tweet_data, game_id)
        except tweepy.TweepError as e:
            print('エラー：15ふん待ちます')
            print(datetime.datetime.now().strftime("%Y/%m/%d %H:%M:%S"))
            print(e.reason)
            time.sleep(60 * 15)
            continue
        print('*'*40 + '\n')


# 時間指定 → クエリを作成 → ツイート検索関数（search_livetweet()）を実行
def get_livetweet(team_id, game_id):
    date = game_id[:4] + '-' + game_id[4:6] + '-' + game_id[6:8]
    time = gametime(game_id)
    sh, sm = time[0], time[1]
    eh = int(time[0]) + int(time[2])
    em = int(time[1]) + int(time[3]) + 5  # 終了後5分
    if em >= 60:
        em -= 60
        eh += 1
    eh = '{0:02d}'.format(eh)
    em = '{0:02d}'.format(em)
    
    print(date, sh, sm, eh, em)
    tag_list = {0: '#kyojin OR #giants', 1: '#dragons OR #中日ドラゴンズ',\
            2: '#carp OR #広島カープ', 3: '#swallows OR #ヤクルトスワローズ',\
            4: '#hanshin OR #阪神タイガース', 5: '#baystars OR #ベイスターズ',\
            6: '#lovefighters OR #日ハム ', 7: '#sbhawks OR #ホークス',\
            8: '#rakuteneagles OR #楽天イーグルス', 9: '#seibulions OR #西武ライオンズ',\
            10: '#chibalotte OR #千葉ロッテマリーンズ', 11: '#bs2020 OR #バファローズ'}
    tag = tag_list[team_num]
    query = tag + ' exclude:retweets exclude:replies\
            since:' + date + '_' + sh + ':' + sm + ':00_JST \
            until:' + date + '_' + eh + ':' + em + ':59_JST lang:ja'
    search_livetweet(team_id, api, game_id, query)

ここで上記の関数を実行

上で作られた gameId_list，teamId_list から，一つの試合ごとに２つのチームのツイートを取得する

getLiveTweet_NPB.py


for i in range(len(gameId_list)):
    game_id = gameId_list[i]

    #away
    team_id = teamId_list[2*i+1]
    get_livetweet(team_id, game_id)
    print('='*60 + '\n')

    #home
    team_id = teamId_list[2*i]
    get_livetweet(team_id, game_id)
    print('='*60 + '\n')

おわりに

試合が雨で中断したりなどすると，もしかしたらツイートを全て取得できていない場合もあるかもしれないで，
そのあたりの改善は必要そうです。

ツイートを時間指定して取得する部分は，どのドメインでも使えることなので，参考になればと思います。