做电商运营、竞品调研、产品优化、选品复盘，商品用户评论是最核心的一手数据。传统方式需要手动翻页复制评论、整理图文评价、人工提炼用户痛点、好评卖点，一款热门商品动辄上万条评论，人工处理效率极低，还容易遗漏关键信息。
搭配分层 AI Agent 架构，实现全页评论自动抓取、图文数据解析、异常自动重试、评论内容智能分类、用户痛点提炼全流程自动化。整套方案无需复杂爬虫，接口稳定防封禁，部署后即可实现无人值守批量爬取 + 分析评论，适配竞品监控、产品优化、文案提炼、舆情分析等场景，个人开发者与企业 ERP 系统均可快速对接。
一、item_review 接口完整说明
接口名称：taobao.item_review（淘宝 / 天猫商品评论获取）请求地址：https://api-gw.onebound.cn/taobao/item_review
- 公共请求参数（全局通用）
表格
参数名 类型 是否必填 说明
key String 是 接口调用凭证，URL 拼接传参
secret String 是 调用密钥
api_name String 是 固定填写 item_review
cache String 否 yes/no，默认开启缓存，加速请求
result_type String 否 默认 json，jsonu 可直接正常展示中文
lang String 否 语言版本，默认 cn 简体中文
- 核心业务请求参数
表格
参数名 说明 取值规则
num_iid 商品 ID 必填，淘宝商品唯一编号
page 页码 支持 1~100 页，单商品最多抓取 100 页评论
sort 评论排序 0 = 默认排序，1 = 最新评论排序
version 日期格式版本 不传：2025-01-12 11:16:35；传version=1：2025年1月12日
- 响应核心字段解析
接口返回标准化 JSON 结构，重点业务字段如下：
total_results：评论总条数
totalpage：评论总页数
page_size：单页返回评论数量（固定 10 条 / 页）
page：当前请求页码
item[]：评论列表数组，单条评论核心字段：
rate_content：用户主评论内容
rate_date：评论时间
pics：评论晒图地址数组
display_user_nick：匿名用户昵称
auction_sku：对应购买商品规格
add_feedback：追评内容
add_feedback_images：追评图片地址
rate_id：评论唯一 ID
- 错误码与异常处理（Agent 内置容错逻辑）
表格
错误码 含义 自动化处理方案
0000 调用成功 正常解析、存储评论数据
2000 无数据 / 商品不存在 终止当前任务，日志提示商品失效
4003 参数错误 自动校验参数，重新发起请求
4008 调用并发超限 休眠延时，分批重试
4013 调用次数超限 暂停任务，记录断点，延后继续采集
4016 账户余额不足 终止任务，弹窗 / 日志告警
4017 请求超时 重试 2 次，仍失败则跳过当前页码
二、多 AI Agent 整体分工逻辑
延续轻量化多智能体架构，各司其职、流水线执行，无需复杂部署，5 个 Agent 串联完成参数组装→分页采集→数据清洗→内容分析→报表导出全流程：
任务配置 Agent：接收商品 ID、采集页数、排序规则，自动拼接接口请求参数，生成分页任务队列
评论采集 Agent：循环遍历分页队列，调用评论接口，捕获各类异常并自动重试，批量拉取全量评论
数据清洗 Agent：过滤空评论、脱敏冗余内容，统一图文地址格式，规整 SKU、时间字段
评论分析 Agent：提炼好评卖点、负面痛点、高频关键词，区分主评 / 追评，做简易舆情分类
报表导出 Agent：汇总所有数据，自动生成 Excel 表格，包含评论内容、晒图链接、用户规格、分析标签
整体链路：输入商品 ID → 生成分页任务 → 全页自动采集 → 数据清洗规整 → AI 智能分析 → 导出成品报表
三、完整可运行 Python 代码
python
运行
-- coding: utf-8 --
"""
淘宝商品评论自动化采集+AI分析工具
基于 taobao.item_review 接口 + 多Agent架构
功能：分页采集、异常重试、数据清洗、评论分析、自动导出Excel
"""
import requests
import time
import pandas as pd
==================== 配置区域 请自行修改 ====================
API_KEY = "你的key"
API_SECRET = "你的secret"
目标商品ID
GOODS_ID = "600530677643"
采集页码范围 1 - 100
START_PAGE = 1
END_PAGE = 20
排序：0默认 1最新
SORT_TYPE = 0
日期版本 0/1
DATE_VERSION = 1
===========================================================
BASE_URL = "https://api-gw.onebound.cn/taobao/item_review"
Agent1：任务配置 & 参数生成
class TaskAgent:
def create_task_list(self):
task_list = []
for page in range(START_PAGE, END_PAGE + 1):
params = {
"key": API_KEY,
"secret": API_SECRET,
"api_name": "item_review",
"num_iid": GOODS_ID,
"page": page,
"sort": SORT_TYPE,
"version": DATE_VERSION,
"result_type": "jsonu",
"cache": "yes"
}
task_list.append(params)
print(f"已生成 {len(task_list)} 个分页采集任务")
return task_list
Agent2：评论采集 & 异常重试
class ReviewFetchAgent:
def __init__(self):
self.review_data = []
def fetch_one_page(self, params, retry=2):
try:
resp = requests.get(BASE_URL, params=params, timeout=20)
res = resp.json()
code = res.get("error_code")
if code == "0000":
items_data = res.get("items", {})
page_items = items_data.get("item", [])
self.review_data.extend(page_items)
print(f"✅ 第{params['page']}页采集完成，本页{len(page_items)}条评论")
return True
elif code == "2000":
print(f"❌ 第{params['page']}页：商品不存在或无评论")
return False
elif code == "4008":
print(f"⚠️ 第{params['page']}页：访问超限，等待5秒重试")
time.sleep(5)
if retry > 0:
self.fetch_one_page(params, retry - 1)
return False
elif code == "4017":
print(f"⚠️ 第{params['page']}页：请求超时，重试中")
time.sleep(3)
if retry > 0:
self.fetch_one_page(params, retry - 1)
return False
else:
print(f"❌ 第{params['page']}页 异常：{res.get('reason')}")
return False
except Exception as e:
print(f"❌ 网络异常：{str(e)}")
return False
def run_all_task(self, task_list):
for task in task_list:
self.fetch_one_page(task)
time.sleep(0.8)
return self.review_data
Agent3：数据清洗 & 格式规整
class CleanAgent:
def clean_data(self, raw_list):
clean_result = []
for item in raw_list:
new_item = {}
# 基础评论信息
new_item["评论内容"] = item.get("rate_content", "")
new_item["评论时间"] = item.get("rate_date", "")
new_item["用户昵称"] = item.get("display_user_nick", "")
new_item["购买规格"] = item.get("auction_sku", "")
new_item["追评内容"] = item.get("add_feedback", "")
# 图片链接拼接
pic_list = item.get("pics", [])
new_item["晒图链接"] = ",".join(pic_list) if pic_list else ""
add_pic = item.get("add_feedback_images", [])
new_item["追评图片"] = ",".join(add_pic) if add_pic else ""
clean_result.append(new_item)
print(f"\n数据清洗完成，有效评论共：{len(clean_result)} 条")
return clean_result
Agent4：评论智能分析（简易语义标签）
class AnalyzeAgent:
def analysis_text(self, data_list):
positive_words = ["好用", "不错", "推荐", "性价比", "质量好", "满意", "回购"]
negative_words = ["不好", "差劲", "漏水", "过敏", "不值", "失望"]
for row in data_list:
content = row["评论内容"] + row["追评内容"]
label = "中性评价"
# 简单正负向判断
if any(w in content for w in positive_words):
label = "好评"
if any(w in content for w in negative_words):
label = "差评/吐槽"
row["评价标签"] = label
return data_list
Agent5：报表导出Agent
class ExportAgent:
def save_to_excel(self, data):
df = pd.DataFrame(data)
file_name = f"商品评论数据_{GOODS_ID}.xlsx"
df.to_excel(file_name, index=False)
print(f"\n📁 报表导出成功！文件：{file_name}")
print(f"📊 总计采集并分析评论：{len(data)} 条")
程序入口
if name == "__main__":
# 1. 生成任务队列
task_agent = TaskAgent()
tasks = task_agent.create_task_list()
# 2. 批量采集评论
fetch_agent = ReviewFetchAgent()
raw_data = fetch_agent.run_all_task(tasks)
if not raw_data:
print("未采集到任何评论数据，程序退出")
else:
# 3. 数据清洗
clean_agent = CleanAgent()
clean_data = clean_agent.clean_data(raw_data)
# 4. 智能评价分析
analyze_agent = AnalyzeAgent()
final_data = analyze_agent.analysis_text(clean_data)
# 5. 导出Excel报表
export_agent = ExportAgent()
export_agent.save_to_excel(final_data)运行前置准备
安装依赖库：
bash
运行
pip install requests pandas openpyxl
修改代码内 API_KEY、API_SECRET、GOODS_ID 为自己的凭证与目标商品 ID
按需调整采集页码、排序规则，直接运行即可
四、落地实战场景
场景 1：竞品深度调研
抓取同行爆款商品全量评论，通过分析标签区分好评、差评，快速总结竞品核心卖点、用户吐槽点，用来优化自身产品、调整定价与宣传话术。
场景 2：店铺产品复盘
定期采集自家商品评论，批量查看追评、晒图反馈，及时发现质量问题、售后隐患，快速调整供应链与客服方案。
场景 3：电商文案 / 标题优化
从高赞评论里提取用户高频用词、种草话术，直接复用至商品标题、详情页、短视频文案，更贴合用户口语习惯，提升转化。
场景 4：舆情监控
设置定时任务，每日自动抓取最新评论，第一时间发现负面评价，做到及时介入处理，维护店铺口碑。
五、常见问题 FAQ
Q1：为什么最多只能采集 100 页评论？
A：接口单商品页码上限为 100 页，每页固定 10 条数据，总计最多 10000 条评论，主流商品该数量可覆盖绝大部分有效评价。如需更多样本，可多时段分批次采集。
Q2：频繁报 4008 并发超限如何优化？
A：一是加大代码中 time.sleep 休眠间隔；二是拆分页码，分多批次、分时段执行采集任务，避开请求高峰。
Q3：图片链接无法直接打开？
A：返回的图片为相对地址，拼接 https: 前缀即可正常访问，代码中可自行增加地址补全逻辑。
Q4：如何对接大模型实现更精细的评论分析？
A：在 AnalyzeAgent 模块对接大模型接口，传入评论文本，实现情感打分、痛点分类、关键词提取、自动生成分析报告，进一步提升智能化程度。
Q5：商品 ID 正确但返回 2000 无数据？
A：商品已下架、违规封禁、隐藏评论都会出现该报错，核对商品状态，更换商品 ID 重试即可。
六、总结
借助 taobao.item_review 标准化评论接口 + 多 AI Agent 架构，彻底摆脱人工翻页、整理评论的重复工作。整套方案开发成本低、稳定性强，规避了传统爬虫 IP 封禁、解析失效等问题。
从基础的批量采集，到进阶的数据清洗、智能语义分析、报表自动导出，全流程无人值守，不管是个人做竞品分析、中小团队日常运营，还是对接企业自研 ERP、数据分析系统，都能快速落地。在此基础上，还可以拓展评论词云生成、负面评论预警、多商品批量遍历等功能，不断完善整套自动化体系。
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用。你还可以使用@来通知其他用户。