挖深还是铺开：这是第一个决定
想要一万条评论做文本分析，有两条路：
- 挖深：找一个爆款商品，把它的评论尽量取全
- 铺开：取一百个商品，每个取前一百条
多数人第一反应是挖深，但平台机制不允许——单个商品的评论列表有可翻页深度上限，超出部分不再展示。一个显示两万条评论的爆款，实际能翻到的往往只是其中一部分。
而且即使能取全，挖深也不一定是对的：一个商品的评论只反映那一个商品的问题。做品类研究、做产品改进方向判断，横向铺开的样本代表性更好。
所以正确的问法不是「能取多少条」，是「这个分析需要多少个商品的多少条评论」。这两个数字定下来，可行性才有意义。
变体评论：不定口径必失真
同一件商品的不同颜色、尺寸，在平台上共用一个父商品编号，但各自有子编号。评论在页面上通常是合并展示的——你看到的两万条评论，可能横跨十几个变体。
这带来两个必须先定的口径：
一、按父编号还是子编号交付。 按父编号：一条商品记录对应全部评论，数量大但你不知道某条评论说的是哪个规格。 按子编号：能对应到具体规格，但同一条评论可能在多个子编号下重复出现。
二、去重规则。 如果按子编号取，同一条评论出现在多个变体下算几条？不定这个，最终条数可能虚高好几倍，而你在做词频统计时会把同一句话数很多次。
做产品改进分析时这一条尤其关键——「这个尺码偏小」和「这个颜色偏暗」是两个完全不同的问题，混在一起看等于没看。测试阶段我们会把两种口径的样例并排给你，确认后再全量。
相关的合并口径问题写在多个来源的数据怎么合并。
激励评论：能标记，不能保证识别
平台对部分激励评论有标记，但覆盖并不完整。所以我们不做「这条是不是刷的」这种判断，只保留能让你自己判断的原始维度：
- 评分分布形态 —— 正常商品的评分分布通常有一定形状，异常尖锐的分布值得警惕
- 发布时间密集程度 —— 短时间内集中出现大量好评，是一个信号
- 已验证购买标记 —— 页面公开显示的，我们照原样保留
做竞品对比时这一点特别重要。 如果不看这两个维度，很容易把对方的运营力度误读成产品口碑——一个投了大量激励的竞品，评分会明显高于它的真实水平。
这和 B2B 软件评论站的情况类似，那边的说明在 B2B 软件评论站。
评论文本能回答什么问题
能回答：
- 反复出现的具体问题 —— 尺码、材质、说明书、包装、物流，这类具体抱怨在评论里最密集
- 和竞品比差在哪 —— 同品类多个商品的评论放一起，差评主题的差异往往很明显
- 详情页该补什么 —— 大量评论在问同一个问题，说明详情页没讲清楚
- 差评是不是在增多 —— 需要周期性采集，单次快照没有基准
回答不了：
- 精确的好评率 —— 取到的不是全量，算出来的比例不等于页面显示的评分
- 谁在写差评 —— 不做身份识别，这一条没有例外
- 评论真伪 —— 前面说过，只给判断依据不给结论
采集节奏与快照
评论是累积型数据，和价格那种快照字段不一样：
- 价格今天和明天不同，取的是两个瞬间
- 评论今天和明天不同，是因为多了几条——旧的还在
所以评论的周期性采集不是覆盖式更新，而是增量追加。我们默认保留每次采集的完整结果并标记采集时间，这样你能还原「差评是什么时候开始集中出现的」——这个时间点往往比差评内容本身更有价值，因为它能对上你的某次改版或换供应商。
周期性项目要提前定的事写在周期性数据更新要提前确认什么。
提需求时说清这五项
- 商品范围：给定 ASIN 清单，还是按关键词/类目搜出来的一批
- 每个商品取多少条：受深度限制，说清是「尽量全」还是「前 N 条」
- 变体口径：父编号还是子编号，重复评论怎么去重
- 站点：不同国家站的评论是分开的，要几个站说清楚
- 一次性还是周期性：看变化必须周期性，看现状一次就够
这五项定下来，测试阶段会先跑几个代表性商品，把实测可取条数和两种变体口径的差异给你。商品与价格采集本身的说明在 Amazon 平台页，地图评论的对应说明在谷歌地图评论怎么采集。