前言做电商运营、产品、市场调研的朋友几乎都绕不开竞品用户评价分析这件事。传统手动复制评论、Excel 整理的方式效率极低单款商品上万条评价逐条筛选差评、统计吐槽点、跟踪新增反馈人工至少耗费半天多商品长期监控更是分身乏术等整理完数据竞品已经完成一轮产品迭代。本文分享一套轻量化落地方案借助 OpenClaw 一站式数据能力无需复杂环境搭建半小时完成商品评论全量获取、实时增量监控、情感分词、关键词统计附带完整可运行代码个人 / 小团队均可直接复用适配淘宝、天猫国内电商场景。一、方案核心优势全量数据快速拉取支持指定商品批量读取全部买家评价包含星级、评价正文、晒图、追评、评价时间、买家标签无需逐页翻页加载规避平台访问限制。增量实时监控配置定时轮询任务自动抓取上新产生的评价一旦出现大批量负面反馈、高频吐槽关键词可触发本地日志提醒第一时间捕捉竞品产品缺陷、服务漏洞。轻量化文本分析内置基础分词、情感打分功能自动区分好评 / 中评 / 差评统计高频吐槽词如掉色、尺寸偏小、发货慢输出结构化统计结果直接用于产品优化、营销文案调整。低门槛部署仅需 Python 基础环境无需搭建代理集群、解析复杂页面加密参数屏蔽平台反爬拦截新手复制代码即可运行。二、前期准备工作1. 环境依赖安装本地安装 Python3.8 及以上版本执行 pip 安装所需工具包pip install requests pandas jieba wordcloud2. 工具基础配置登录 OpenClaw 后台创建个人数据项目获取专属身份凭证字符串下文代码中token字段替换为个人凭证填写目标商品 ID 即可锁定采集对象支持单次传入多个商品编号批量处理。三、完整实操代码分三大模块数据拉取、增量监控、评论分析模块 1批量获取商品全部评价数据作用一次性导出历史所有评价存入本地 Excel用于初期竞品大盘分析import requests import pandas as pd import time # 基础配置 TOKEN 你的个人身份凭证字符串 TARGET_ITEM_IDS [728945612345, 728945678901] # 待监控商品ID列表 SAVE_PATH 电商评论原始数据.xlsx def get_all_reviews(item_id): review_list [] page 1 while True: # 构建请求参数 params { token: TOKEN, item_id: item_id, page: page, limit: 50 } resp requests.get(https://data-claw.fetchcontent.com/comment, paramsparams) res_data resp.json() # 判断无更多数据则退出循环 if len(res_data.get(data, [])) 0: break # 清洗单条评价字段 for item in res_data[data]: temp_dict { 商品ID: item_id, 评价时间: item.get(publish_time), 星级评分: item.get(star), 评价内容: item.get(content), 是否追评: item.get(is_add_comment), 晒图数量: item.get(img_num), 买家标签: item.get(buyer_tag) } review_list.append(temp_dict) page 1 time.sleep(1.2) # 限流防高频访问 return review_list if __name__ __main__: total_data [] for goods_id in TARGET_ITEM_IDS: print(f正在采集商品{goods_id}评价数据...) goods_reviews get_all_reviews(goods_id) total_data.extend(goods_reviews) print(f商品{goods_id}共获取{len(goods_reviews)}条评价) # 保存至本地Excel df pd.DataFrame(total_data) df.to_excel(SAVE_PATH, indexFalse) print(f全部数据采集完成已保存至{SAVE_PATH})模块 2定时增量监控新增评价核心监控功能作用定时运行对比历史数据只抓取新增评价实时预警负面反馈import requests import pandas as pd import time from datetime import datetime TOKEN 你的个人身份凭证字符串 TARGET_ITEM_IDS [728945612345, 728945678901] HISTORY_FILE 电商评论原始数据.xlsx NEW_REVIEW_LOG 新增评价实时日志.txt # 负面关键词库可自行扩充 BAD_WORDS [色差, 掉色, 破损, 发货慢, 质量差, 尺寸不符, 气味大] def get_new_reviews(item_id): new_data [] params { token: TOKEN, item_id: item_id, page: 1, limit: 30 } resp requests.get(https://data-claw.fetchcontent.com/comment, paramsparams) res_data resp.json() return res_data.get(data, []) def monitor_task(): # 读取历史已有评价 try: history_df pd.read_excel(HISTORY_FILE) history_content_set set(history_df[评价内容].tolist()) except: history_content_set set() today datetime.now().strftime(%Y-%m-%d %H:%M:%S) log_text f\n {today} 监控轮次 \n alert_flag False for goods_id in TARGET_ITEM_IDS: fresh_comments get_new_reviews(goods_id) for comment in fresh_comments: content comment.get(content, ) # 判断是否为全新评价 if content not in history_content_set and content.strip() ! : log_text f【商品{goods_id}】{comment[publish_time]} | {comment[star]}星 | {content}\n history_content_set.add(content) # 负面关键词预警 for word in BAD_WORDS: if word in content: log_text f⚠️ 负面预警命中关键词【{word}】\n alert_flag True # 写入日志文件 with open(NEW_REVIEW_LOG, a, encodingutf-8) as f: f.write(log_text) if alert_flag: print(【重要提醒】本轮监控发现负面评价请查看日志文件) else: print(本轮监控完成无新增负面反馈) # 定时循环每30分钟执行一次监控 if __name__ __main__: while True: monitor_task() time.sleep(1800)模块 3评论文本深度分析情感统计 高频词提取作用基于采集到的全量评价自动统计好评差评占比、生成吐槽关键词词频表import pandas as pd import jieba from collections import Counter import matplotlib.pyplot as plt plt.rcParams[font.sans-serif] [SimHei] plt.rcParams[axes.unicode_minus] False DATA_FILE 电商评论原始数据.xlsx STOP_WORDS [很好, 不错, 还行, 满意, 物流快, 质量好, 收到, 非常] def analysis_comments(): df pd.read_excel(DATA_FILE) # 1. 星级分布统计 star_count df[星级评分].value_counts().sort_index() print( 商品星级分布统计 ) print(star_count) # 划分好评/中差评 good df[df[星级评分] 4].shape[0] bad df[df[星级评分] 3].shape[0] total df.shape[0] print(f好评占比{round(good/total*100,2)}%中差评占比{round(bad/total*100,2)}%) # 2. 提取中差评高频关键词 bad_df df[df[星级评分] 3] all_text .join(bad_df[评价内容].astype(str)) words jieba.lcut(all_text) word_filter [w for w in words if len(w)2 and w not in STOP_WORDS] word_freq Counter(word_filter) top20 word_freq.most_common(20) print(\n 中差评Top20高频关键词 ) for word, num in top20: print(f{word}{num}次) # 3. 绘制词频柱状图 words_list [i[0] for i in top20] count_list [i[1] for i in top20] plt.figure(figsize(12,6)) plt.bar(words_list, count_list) plt.xticks(rotation45) plt.title(竞品差评高频关键词统计) plt.tight_layout() plt.savefig(差评关键词分布图.png) print(\n词频图表已保存至本地) if __name__ __main__: analysis_comments()四、落地使用流程详解初始化全量采集运行第一段代码填入需要调研的竞品商品 ID一次性拉取全部历史评价生成基础 Excel 数据集完成竞品口碑大盘摸底。开启 7×24 小时监控后台常驻运行第二段监控脚本每 30 分钟自动扫描新增评价一旦出现色差、破损、发货慢等负面词汇日志文件会标记预警不用人工每日反复查看商品页面。周期性深度分析每周执行第三段分析代码自动计算好评差评比例、提取用户集中吐槽点生成可视化图表输出可直接用于产品优化、运营调整的分析结论。五、实战落地场景分享场景 1新品上线竞品对标调研新品筹备阶段批量采集同赛道头部 3-5 款竞品全部评价通过词频分析找到用户核心痛点比如服装类目集中吐槽 “尺码偏小”开发阶段直接调整版型小家电频繁反馈 “噪音大”优化内部电机结构精准打造差异化卖点。场景 2店铺口碑风险预警自有店铺 对标竞品同时监控一旦竞品集中出现同类差评预判行业共性问题提前调整详情页说明、升级售后方案规避同类投诉自身商品新增大量负面评价时快速定位问题批次及时联系买家处理。场景 3、营销内容优化提取好评高频正向词汇面料柔软、性价比高、包装精致融入直通车标题、商品详情、短视频文案规避差评高频负面关键词对应的宣传话术降低用户心理预期落差提升转化。六、常见问题优化方案采集速度慢、频繁中断代码内已设置 1.2 秒间隔限流若商品评价超 10 万条可拆分商品 ID 分批次采集避免单次请求数据量过大。分词关键词杂乱无意义可自行扩充STOP_WORDS停用词列表过滤无分析价值词汇聚焦产品、物流、服务相关核心词。监控日志文件过大新增定时清理脚本按月归档历史日志只保留近 30 天新增评价记录节省本地存储空间。七、总结这套基于 OpenClaw 搭建的电商评论监控分析方案完美解决传统人工整理数据低效、反馈滞后的痛点。无需复杂底层开发三段代码覆盖数据采集 - 实时监控 - 智能分析全流程个人运营、中小团队、市场调研人员均可快速上手。长期持续监控竞品用户反馈能持续挖掘产品迭代机会、规避经营风险把零散的买家评价转化为可落地的数据决策依据在同质化电商竞争中建立信息优势。