Corpus social — Twitter + prensa (narrativa “qué se dice”)
Fecha: 2026-09-14 · Proyecto: ~/nef/estado_turismo/spab-retrieval
Tesis
Places = cuánto vale (rating, %caro). Airbnb reviews.csv = corpus STR (solo
ciudades publicadas). Corpus social = qué se dice, y cubre todos los
destinos, incluso donde Airbnb no publica.
Fuentes (credenciales reusadas de ~/nef/surtido/.env.local)
| Fuente | Variable | Qué da |
|---|---|---|
| twitterapi.io | TWITTERAPI_IO_KEY | tweets por término (búsqueda live) |
| NewsAPI | NEWSAPI_KEY | artículos de prensa en español |
Script: scripts/corpus_social.py → data/corpus/<slug>.jsonl
(documentos {fuente, fecha, texto, url}). Es corpus de texto, separado del
almacén numérico data/obs/ (no es Observacion).
Corrida
430 documentos en los 10 destinos (Twitter 20 c/u + prensa según cobertura).
Señales (menciones por término):
| destino | sargazo | lleno/sat. | caro | inseguridad | agua/serv. | clima |
|---|---|---|---|---|---|---|
| oaxaca | 0 | 0 | 1 | 14 | 3 | 0 |
| cancun | 6 | 0 | 1 | 3 | 2 | 9 |
| cdmx | 0 | 0 | 5 | 2 | 0 | 2 |
| bacalar | 1 | 0 | 1 | 0 | 3 | 1 |
| tulum | 1 | 1 | 1 | 1 | 0 | 20 |
| playa-del-carmen | 1 | 0 | 1 | 2 | 0 | 8 |
Nota: la prensa trae temas del plan — “turismofobia”, “proliferación del alga (sargazo)”, “aguas residuales”. La narrativa que ninguna fuente oficial captura.
Bloqueos / límites
- Reddit: 403 sin OAuth (no usable tal cual).
- YouTube (comentarios): requiere API key (no está en ningún
.env). - NewsAPI: free tier ~100 req/día → 1 llamada por destino cabe.
- El corpus crece (append): re-correr periódicamente acumula histórico.
Siguiente
- Sentimiento/tópicos sobre el corpus (robertuito/LLM) → series por destino.
- Enriquecer con YouTube (transcripciones de vlogs) si se consigue API key.
- TripAdvisor Terra (1,000 gratis) para reseñas turismo-nativo de los 9.