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

1. 公共请求参数（全局通用）

表格

2. 核心业务请求参数

表格

3. 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

4. 错误码与异常处理（Agent 内置容错逻辑）

表格

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：

1. 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

2. 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

3. 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

4. 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

5. 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 requestsimport timeimport 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IDGOODS_ID = "600530677643"# 采集页码范围 1 - 100START_PAGE = 1END_PAGE = 20# 排序：0默认 1最新SORT_TYPE = 0# 日期版本 0/1DATE_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Agentclass 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

1. 安装依赖库：

bash

运行

pip install requests pandas openpyxl

2. 修改代码内 API_KEY、API_SECRET、GOODS_ID 为自己的凭证与目标商品 ID

3. 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。