Cómo scrapear Twitter/X en 2026 (API y Python)

La forma más rápida de scrapear Twitter/X en 2026 es llamar a una API de X estructurada que devuelve JSON normalizado — perfiles públicos, posts y primeras páginas de timeline — en lugar de manejar un navegador headless a través de la API GraphQL oculta de X, sus guest tokens y sus identificadores rotativos. Hacerlo tú mismo (DIY) sigue siendo posible, pero los caminos fáciles se han cerrado todos: las librerías gratuitas están muertas, la API oficial tiene precios pensados para empresas, y X rehace sus defensas cada pocas semanas. Esta guía cubre las tres opciones, qué devuelve cada una, dónde se rompe cada una y los conceptos legales básicos.

¿Es legal scrapear Twitter/X?

Ve con cuidado. Scrapear datos públicos de X (perfiles públicos, posts públicos) suele ser legal en EE. UU. — hiQ v. LinkedIn determinó que acceder a datos web públicos no viola la Computer Fraud and Abuse Act (CFAA). Pero esa es la línea penal, no toda la historia: los Términos de Servicio de X prohíben explícitamente el scraping, así que es un asunto contractual que puede acabar en el baneo de tu cuenta o tu IP, y X ha litigado de forma agresiva contra scrapers. Los posts públicos también pueden contener datos personales regulados por el GDPR/CCPA cuando los almacenas o procesas. Reglas prácticas: solo datos públicos y no personales; nunca toques cuentas protegidas, DMs, ni nada que esté detrás de un login; no acumules datos más tiempo del necesario; respeta los límites de tasa. Consulta is web scraping legal. Esto no es asesoría legal.

Opción 1: Hacerlo tú mismo en Python (y por qué se rompe)

La web app de X es un cliente GraphQL: cada perfil y cada timeline que ves se obtiene de una API interna oculta protegida por guest tokens, doc_ids y límites de tasa. Los antiguos atajos — snscrape, Twint y Nitter — compartían todos una misma dependencia, el acceso anónimo como invitado, y todos se rompieron cuando X lo bloqueó. Lo que aún funciona es la automatización de navegador, que deja que la página misma solicite sus propios tokens mientras tú capturas el JSON que dispara en segundo plano:

from playwright.sync_api import sync_playwright

# Conceptual skeleton — not a maintained solution
with sync_playwright() as pw:
    browser = pw.chromium.launch(
        proxy={"server": "http://residential-proxy:8000"}  # datacenter IPs get banned fast
    )
    page = browser.new_page()
    page.goto("https://x.com/nasa")
    page.wait_for_selector("[data-testid='primaryColumn']")
    # From here you still handle guest tokens, doc_ids, and rate limits yourself
    print(page.content())

Funciona en una demo y luego se rompe:

• Los guest tokens caducan. Cada llamada GraphQL necesita uno, duran unas horas, y X ata cada token a la IP que lo solicita — así que rotar de IP a mitad de sesión rompe el token.
• Los doc_ids rotan. Los identificadores que enrutan las consultas GraphQL (UserTweets, TweetResultByRestId) cambian cada 2–4 semanas; las consultas hardcodeadas entonces fallan en silencio o devuelven resultados vacíos.
• Las IPs de datacenter se banean al instante. Necesitas proxies residenciales rotativos con un ritmo cuidadoso (~300 solicitudes/hora en modo anónimo) o te comes 429s y bloqueos en una o dos solicitudes.
• La API oficial no rescata el DIY. Desde febrero de 2026, X pone por defecto a los nuevos desarrolladores en pago por uso (~0,005 $ por cada lectura de post de terceros, con un tope de 2M de lecturas/mes) sin tier de lectura gratuito; los tiers legacy Basic (200 $/mes, solo búsqueda de 7 días) y Pro (5.000 $/mes, archivo completo) están cerrados a nuevas altas. Es el camino conforme vía Tweepy, pero el coste hace que scrapear páginas públicas a escala sea inviable.

El coste real no es escribir el scraper — es volver a arreglarlo cada pocas semanas, lo que suele comerse entre 10 y 15 horas al mes.

Opción 2: Herramientas sin código

Los extractores visuales y las extensiones de navegador exportan CSV/JSON — bien para un pull puntual de un perfil público, menos para pipelines de producto que necesitan campos predecibles, y heredan la misma fragilidad de guest tokens y límites de tasa que el DIY.

Opción 3: Una API de X estructurada

Para flujos de trabajo repetibles sobre datos públicos, una X scraping API devuelve JSON normalizado sin navegador que ejecutar, sin tokens que refrescar, y con los proxies gestionados detrás de una sola key. Obtener un perfil público:

curl https://api.crawlora.net/api/v1/x/profile/USERNAME \
  -H "x-api-key: $CRAWLORA_API_KEY"

La misma llamada en Python:

import requests

profile = requests.get(
    "https://api.crawlora.net/api/v1/x/profile/USERNAME",
    headers={"x-api-key": "YOUR_API_KEY"},
).json()["data"]
print(profile["username"], profile["metrics"]["followers"])

Una respuesta es JSON normalizado (los campos son ilustrativos — revisa los docs):

{
  "data": {
    "username": "NASA",
    "name": "NASA",
    "id": "11348282",
    "description": "Making the seemingly impossible, possible. ✨",
    "location": "Pale Blue Dot",
    "is_blue_verified": true,
    "metrics": { "followers": 92157321, "following": 119, "posts": 74188 }
  }
}

Extrae los posts de la primera página de un perfil y luego un post concreto por su id numérico:

h = {"x-api-key": "YOUR_API_KEY"}
base = "https://api.crawlora.net/api/v1/x"

posts = requests.get(f"{base}/profile/NASA/posts", headers=h, params={"limit": 20}).json()["data"]
first_id = posts["posts"][0]["id"]
post = requests.get(f"{base}/post/{first_id}", headers=h, params={"username": "NASA"}).json()["data"]
print(post["text"], post["metrics"]["likes"], post["metrics"]["views"])

El endpoint de posts solo lee el payload de la primera página pública (limit 1–50, por defecto 20) — no pagina respuestas, pestañas de media ni búsqueda. Pasa username a /post/{id} para rechazar autores que no coincidan. Cíñete a campos públicos y no personales.

¿Qué enfoque deberías usar?

Qué puedes recolectar

Donde la página pública los expone: username, nombre visible, id numérico, bio, ubicación, verificación, contadores de seguidores/seguidos/posts, y media del perfil — más, por cada post, texto, timestamp, URL, contexto del autor y engagement visible (likes, respuestas, reposts, vistas, guardados). Las cuentas protegidas, los DMs, las listas completas de seguidores y la búsqueda por palabra clave/timeline están detrás de un login y quedan fuera de alcance.

Limitaciones y desafíos comunes

• Solo la superficie anónima. Los perfiles públicos, los posts individuales y la primera página de timeline son accesibles; las cuentas protegidas, los DMs, las listas de seguidores y la búsqueda requieren login y cruzan la línea de los ToS.
• Primera página, no el archivo. El endpoint de posts de perfil devuelve el payload público inicial, no un catálogo histórico paginado — la búsqueda histórica completa es una funcionalidad de la API Pro/Enterprise (5.000 $/mes+), no un objetivo de scraping.
• El objetivo en movimiento. X lanza cambios defensivos cada 2–4 semanas (guest tokens, doc_ids, scoring de IPs); una API estructurada absorbe eso para que tu pipeline siga devolviendo datos.
• Encuentra URLs fuera de la plataforma. La propia búsqueda de X está tras un login, pero Google indexa posts públicos — site:x.com inurl:status <keyword> construye una lista de objetivos sin necesidad de cuenta.
• Las identidades son datos personales. Los usernames, los nombres y el contenido de los posts son datos personales bajo GDPR/CCPA — recolecta solo campos públicos y factuales con una base legal.

Dónde se usa esto

• Monitorización de marca — rastrea la presencia pública de marca y competidores en X. Consulta el caso de uso brand monitoring.
• Escucha social y sentimiento — muestrea posts públicos sobre un tema para investigación.
• Investigación de creadores — evalúa perfiles públicos, alcance y engagement; combínalo con señales de TikTok y YouTube.

Fuentes

Empieza a recolectar

Pruébalo primero, gratis: pasa cualquier URL pública por el Free Web Scraper, o comprueba si un sitio bloquea bots con el Anti-Bot Checker — sin registro.

Prueba el endpoint de perfil en el Playground, revisa el esquema en los API docs y consulta la pricing. Consulta también how to scrape Instagram, how to scrape TikTok, how to scrape YouTube y how to scrape LinkedIn para el resto del stack social, además de how to scrape Bluesky y how to scrape Telegram para las alternativas más nuevas en tiempo real, how to choose a web scraping API, e is web scraping legal. Para una comparación completa con otras APIs de datos de X — incluyendo los tiers de precios 2026 de la API oficial, TwitterAPI.io y SocialData.tools — consulta best Twitter/X scraper APIs in 2026.

Parte de nuestra serie de guías how-to-scrape — todas las plataformas que cubrimos, en un solo índice.