依托 Open Claw 京东评论接口抓取评论数据，后续做清洗分析、舆情研判、选品优化、AI 文案生成全流程操作
一、采集基础接口信息
接口名：jd.item_get_comment入参：key、secret、num_iid 商品 ID、页码、每页条数、排序类型 返回：用户昵称、评价内容、星级、购买规格、晒图、追评、评价时间
二、采集后核心数据字段
- 基础评价：星级评分、评价正文、下单 SKU 规格
- 多媒体素材：评论晒图、视频链接
- 附加信息：评价时间、追评内容、点赞数、地域标签
- 负面标识：差评关键词、售后吐槽点
三、AI 自动化处理流程
1. 数据清洗过滤
- 剔除空白、重复、灌水无意义评论
- 脱敏隐藏手机号、姓名隐私信息
- 统一文本格式，规整换行与特殊符号
2. AI 语义分类统计
- 情感划分：自动归类好评 / 中评 / 差评，计算好评率
- 维度拆解：拆分口感、做工、物流、售后、性价比等评价维度
- 关键词提取：高频痛点词、卖点词自动汇总
3. 智能数据分析
- 差评溯源：定位质量问题、发货慢、货不对版等核心投诉点
- 用户偏好：统计热门选购规格、用户关注点
- 竞品对比：多商品评论数据横向比对，分析优劣差距
四、落地应用场景
商品优化迭代依据差评痛点，优化产品做工、包装、规格配置
AI 文案创作提取真实好评话术，改写为商品卖点、详情文案、带货话术
风控与售后预警批量监测评论负面舆情，提前处理客诉，降低店铺风险
选品铺货参考参考用户真实反馈，筛选口碑优质款，规避差评高发货源
评论素材复用合规截取优质晒图、真实评价，用作店铺评价展示素材
五、简易 Python 后续解析示例
python
运行
import requests KEY = "你的key" SECRET = "你的secret" IID = "京东商品ID" def get_jd_comment(): url = "https://api-gw.onebound.cn/jd/item_get_comment" params = { "key":KEY,"secret":SECRET,"num_iid":IID,"page":1 } res = requests.get(url,params=params).json() if res["code"]==200: comment_list = res["result"]["comments"] # 简单统计好评差评 good = [c for c in comment_list if int(c["star"])>=4] bad = [c for c in comment_list if int(c["star"])<=2] print(f"有效评论数：{len(comment_list)}") print(f"好评数量：{len(good)}，差评数量：{len(bad)}") # 输出差评内容 for bad_msg in bad[:3]: print("差评内容：",bad_msg["content"]) get_jd_comment()六、效率提升技巧
- 批量分页采集全量评论，汇总成 Excel 分析报表
- 接入大模型批量总结评论总结报告
- 定时轮询采集，监控新品口碑变化趋势
