简介：数据分析是企业洞察市场的重要手段。通过爬虫技术采集多平台公开数据，结合文本挖掘与情感分析，可以构建完整的用户画像，并追踪话题声量变化。这一方法论适用于潮玩IP、新消费品牌等领域的舆情监测与研究。本文以Labubu为例，演示如何从多平台数据中拆解其走红原因，包括受众画像、情绪倾向和传播节点分析，提供一套可复用的分析框架和源码。 从“Labubu为什么火”这个问题落地成一套完整的数据分析项目，整个过程比我想象中更有意思。很多人在聊潮玩IP时都停留在“感觉它火了”“身边人都在买”这种模糊判断上，但作为数据从业者，我更想知道这种火能不能被量化、被拆解、被归因。于是我拉取小红书、微博、抖音、淘宝评价等多个平台的公开数据，给Labubu做了一个受众画像和舆情分析，把数据集和分析源码打包成了一个RAR压缩包。这套东西不仅能回答Labubu具体火在哪，还能直接套用到其他潮玩IP、新消费品牌甚至短剧账号的分析上。
1. 先交代背景：为什么“Labubu为什么火”这个问题值得用数据回答
1.1 从身边的流行现象切入
大概从去年开始，我明显感觉到Labubu的渗透率高得离谱。先是同事工位上出现了那个露着牙齿、表情狡黠的精灵玩偶，接着朋友圈里有人晒抽盒记录，再后来连我表姐都问我“Labubu和SKULLPANDA到底哪个更值得入坑”。真正让我下定决心做这个项目的，是某次在咖啡店看到两个初中生书包上挂着Labubu挂件，而隔壁桌三十多岁的程序员也在用Labubu当手机壁纸——这种跨年龄、跨圈层的穿透力，在潮玩IP里相当罕见。
但“罕见”是主观感受，做数据分析的人不能拿感受当结论。我当时就想，能不能用公开数据把这种“火”拆开看：到底是哪些人在讨论？他们的核心诉求是什么？是喜爱IP本身，还是把抽盒当社交货币？是联名款带动的短期热度，还是复购驱动的持续热度？这些问题只有落到数据上才有答案。
1.2 分析框架：四条线索缺一不可
要给一个IP做诊断式分析，我设计了四条线索，这也是整个项目的数据分析框架：
第一条是声量。它在各平台的提及量、讨论量、互动量有多大，时间上怎么波动。这解决的是“火不火”以及“什么时候开始火”的问题。
第二条是受众画像。谁在讨论它，什么年龄、什么地域、什么消费特征。这解决的是“火在哪些人的人群里”的问题。
第三条是舆情情绪。大家的讨论是正面的、中立的还是负面的，负面集中在什么点上。这解决的是“火得健不健康”的问题。
第四条是讨论热点。所有文本里反复出现的词是什么，大家更在意造型、隐藏款、二手溢价还是品牌联名。这解决的是“为什么火”的问题。
这四条线索不是独立跑的，声量曲线可以定位关键节点，关键节点再反过来解释热点话题的爆发，受众画像又能说明话题扩散的方向。整个分析链路跑完之后，Labubu的走红逻辑就非常立体了。
2. 多平台采集方案：不同平台承担不同角色，采集策略也要分开设计
2.1 平台分工表：谁负责声量、谁负责画像、谁负责购买行为
做多平台数据采集，最容易犯的错就是把所有平台当成同一个数据源来抓。我在项目初期做过一次平台盘点，发现潮玩IP的讨论在不同平台上完全不是一个物种。
- 小红书：种草笔记主阵地，用户习惯晒开箱、晒陈列、晒隐藏款，文本里蕴含着大量审美偏好和消费动机，受众画像也比较完整。我在这里采集笔记标题、正文、标签、点赞收藏评论数、发布者信息。
- 微博：实时讨论和热搜爆发的主阵地，适合看事件性热度。联名发售、明星同款这类节点性信息微博反应最快。我在这里采集博文和评论，重点看情绪倾向和传播链。
- 抖音：视频传播平台，开箱视频和线下门店排队视频很多。虽然视频本身不好做文本分析，但标题、话题标签和评论很有价值，而且可以观察声量随视频发布节奏的波动。
- 淘宝/京东评论区：购买后的真实反馈，和黄牛溢价、品控问题直接相关。这里能拿到最接近“消费者真实评价”的数据，适合做负面舆情挖掘。
- 得物/闲鱼：二级市场数据，可以看到隐藏款的价格曲线和流通热度。这个数据量不大，但对“火到可以炒”这个判断至关重要。
每个平台的数据采集逻辑都不同，所以我给每个平台单独写了一个爬虫模块，而不是写一个通用爬虫硬套。
2.2 爬虫落地细节：接口选择、参数设计和反爬控制
以小红书为例，我优先走的是搜索接口，关键词覆盖“Labubu”“Labubu一代”“Labubu坐坐派对”“Labubu隐藏款”等核心词。接口返回的JSON里包含笔记ID、标题、描述、交互数据、作者信息这些字段，比直接解析HTML稳定很多，而且字段结构化程度高，省了后面的清洗工作。
微博那边我用了关键词搜索接口，同时抓正文和热门评论。微博的接口特点是有分页和频控，但只要把请求间隔控制在3到5秒，单账号基本够用。抖音我主要抓话题聚合页的标题和评论，视频本身不做转写，成本太高，收益也不够。
反爬策略是老生常谈，但有几个细节我想单独强调：
- User-Agent要维护一个池子，不能一个UA跑到底，访问频率高的时候会被识别。
- Cookie要定期更新，尤其是微博和小红书，长时间跑会触发验证。
- 重试机制要指数退避，第一次失败等1秒，第二次等2秒，第三次等4秒，不要无限重试。
- 数据保存要实时落盘，爬一条存一条，不要攒在内存里最后统一写。我见过太多跑到一半挂了结果内存数据全部丢失的情况。
2.3 数据集字段与文件整理
整个项目的采集量大概在：小红书笔记12000余条、微博博文26000余条、微博评论84000余条、抖音话题内容7000余条、电商评价18000余条、二级市场挂单数据3000余条。原始数据按平台分文件夹存储，统一为CSV格式，编码使用utf-8-sig，这样在Windows上用Excel打开也不会乱码。
核心数据表的字段设计如下：
| 表名 | 主要字段 | 用途 |
|---|---|---|
| xhs_notes.csv | note_id, title, desc, tag_list, like_count, collect_count, comment_count, publish_time, author_id, author_gender, author_city | 小红书笔记与受众画像 |
| weibo_posts.csv | weibo_id, content, publish_time, repost_count, comment_count, like_count, author_id, author_location | 微博声量与传播分析 |
| weibo_comments.csv | comment_id, weibo_id, content, like_count, publish_time, author_id | 微博舆情细节 |
| douyin_topics.csv | item_id, title, topic_list, comment_content, comment_like, publish_time | 抖音话题与评论 |
| ecommerce_reviews.csv | review_id, platform, sku_name, review_content, rating, review_time | 电商口碑与品控 |
| resale_orders.csv | order_id, item_name, price, listing_time, sold_time | 二级市场溢价分析 |
采集周期我拉长到了两个月，因为单看某一段时间的峰值很容易被某一个事件带偏，时间跨度够长才能看出真实趋势。原始数据放在data/raw目录，清洗后的数据放在data/processed目录，全部打包在RAR里，解压后路径结构保持不变。
3. 数据清洗与受众画像构造：把“火”拆成看得见的数字
3.1 清洗流程与关键判断
数据采集回来肯定不能直接用，这步急不得。我分了四步清洗：
第一步是去重。小红书和抖音经常有同一篇内容被多个账号搬运的情况，我分别按照文本内容的MD5和相似度阈值两个维度去重。MD5解决完全重复，simhash解决近似搬运。
第二步是缺失值处理。有些接口返回的数据字段是空的，比如小红书的author_gender可能缺失，抖音的comment_content可能为空。我按表分别统计缺失比例，超过30%的字段放弃使用，低于这个比例的我用“未知”占位，不影响聚合统计。
第三步是时间字段标准化。不同平台的时间格式完全不同，小红书是时间戳，微博是“刚刚”“昨天”这种相对时间，电商平台是标准时间串。我统一转换成datetime类型，按周做聚合方便后面看趋势。
第四步是文本预清洗。评论和笔记正文里会有大量HTML标签、emoji、URL和无意义的“哈哈哈哈”这类语气词。我保留emoji是因为潮玩讨论中emoji本身有情绪意义，但会把URL和@用户给去掉，减少噪声。
3.2 受众画像：性别、年龄、地域、消费信号
画像这部分我是这么做的：小红书有比较完整的作者性别和城市标签，微博有用户的所在地信息，这两个字段直接拿来做地域和性别的分布统计。年龄字段只有部分平台能直接拿到，所以我又做了一个消费信号推断：通过用户正文里提到的“学生党”“打工人”“宝妈”这类身份词以及电商评论里的购买场景，把需求人群做一个分层。
最终画像出来之后，有几个数据点我觉得非常有意思：
- 性别比例：小红书平台内Labubu相关笔记的作者中，女性占到了76.3%，但男性并不是完全缺席，而且男性更多集中在二级市场讨论和“代抽”话题里。这说明Labubu的第一消费决策者以女性为主，但男性在交易和投机链条上参与度更高。
- 地域分布：讨论热度高的城市集中在一线和新一线，前五名是上海、北京、深圳、杭州、成都。这和潮玩线下门店的分布高度相关，本质上是有门店才有线下体验，有体验才有传播素材。
- 消费分层：从评论里能看出明显的“自用党”和“投资党”分化。自用党关心造型和手感，投资党关心隐藏款编号、编号位数和二手价。这两种人评论区经常互相不理解，但都对这个IP的生态有贡献。
3.3 从画像看走红范围：不只是“年轻人喜欢”这么简单
以前大家说起潮玩，第一反应都是Z世代、二次元、小众圈层。但这份数据里Labubu的受众圈层明显更宽。
一个非常典型的现象是跨代际传播。评论文本里同时存在“给我女儿买的”“送妈妈她居然认识”“男朋友送的第一只”这类描述，这说明Labubu已经进入了送礼和代际交流的场景。它不再只是年轻人取悦自己的玩具，而是变成了一种社交货币——年轻人用它表达审美，家长用它完成代际沟通，朋友之间用它制造共同话题。
另一个有意思的信号是盲盒之外的场景延伸。当讨论内容中出现大量关于“手机支架”“包挂”“钥匙扣”的种草时，说明这个IP已经完成了从“摆件消费”到“日常配饰消费”的跨越。这种转移对IP的商业价值是决定性的，因为配饰的使用频率远高于摆件，等于把IP的曝光从一个角落搬到了公共空间。
4. 舆情分析：从评论文本中挖出走红的真实动因
4.1 分词、关键词提取与话题聚类
文本分析这块我用的是jieba分词加自定义词典。潮玩领域有大量专有名词，比如“端盒”“雷款”“热款”“改娃”“隐藏款”“大隐”“小隐”，这些词必须加进用户词典，否则分词的时候会被拆得乱七八糟。比如“隐藏款”如果被拆成“隐藏”和“款”，后面提取关键词时语义就丢了。
我做了两种关键词提取，第一种是TF-IDF，看整批文本里哪些词相对重要；第二种是TextRank，看哪些词在文本网络里处于中心位置。两种算法互补着看，TF-IDF偏“稀有且重要”，TextRank偏“高频且连接度高”。
提取结果很清晰地聚出了几类话题：
- 造型审美类：集中在“可爱”“丑萌”“牙齿”“绿色”“搪胶”这些词上。“丑萌”是Labubu讨论里出现频率最高的审美评价之一，很多人一边说着“长得有点怪”一边下单。
- 抽盒体验类：围绕“摇盒”“手感”“重量”“端盒”“散抽”展开。这类讨论的火爆说明用户不只是买一个产品，而是在参与一种带有不确定性的娱乐机制。
- 价格与投资类：集中在“溢价”“原价”“隐藏比”“海鲜市场”“全款收”这些词上。二级市场的价格波动已经深度绑定了IP的热度。
- 联名与渠道类：内容是“联名”“限定”“北京”“上海快闪”“线上抽盒机”等。联名事件是短期声量的最大推手。
4.2 情绪倾向分析：光有正面讨论还不够
情绪分析我用的是SnowNLP的sentiment值，设定threshold：大于0.6算正面，小于0.4算负面，中间算中性。SnowNLP本身是通用语料训练的，在潮玩领域会有些误判，比如“竟然抽到了隐藏款”这种句子，字面上是惊讶，算出来可能是负面倾向。所以我额外准备了一个领域情感词典，把“隐藏款”“手感好”“绝绝子”“入坑”“真香”设为正向词，把“溢价”“狗托”“翻车”“做工差”设为负向词，对模型结果做加权修正。
整体情绪分布大概是正面42%、中性35%、负面23%。正面情绪集中在对造型的喜爱和抽到心仪款式的喜悦上，中性情绪多是信息询问类，比如“有没有人知道这套什么时候补货”，负面情绪则分布在三个点上：
- 品控问题：掉漆、面部涂装不均、关节松紧不一。
- 溢价和抢购难：黄牛扫货、线上抽盒机秒空、二手价格被炒得离谱。
- 营销疲劳：部分用户觉得联名频率太高，有“割韭菜”感受。
负面声音占比23%其实不算低，但它的存在反而说明这个IP已经进入了大众视野。一个只有小圈子讨论的IP，负面声音不会这么多；正是因为它火出了圈，才有大量不了解规则的消费者进来，产生预期落差，然后形成负面评价。
4.3 负面声音同样有信息量
做舆情分析，最忌讳只看正面情绪。我单独把负面评论抽出来做了细分类，发现品控类负面在时间上与声量峰值有重合：某一波联名款集中发货之后，品控负面明显上升。这其实是一个供应链问题——订单爆发式增长时，工厂良品率会波动，品控跟不上销售节奏，这在潮玩行业非常常见。
负面评论里还有一个耐人寻味的分支，是“老粉”的抱怨。有人会写“以前抽Labubu是为了开心，现在全是跟风的人”，这种负面情绪不是针对IP本身，而是针对社群氛围的变化。这类声音虽然带情绪，但恰恰说明Labubu已经拥有了高忠诚度的核心用户群，这些用户还在持续关注IP动向，是后续复购的基本盘。
5. 声量曲线与传播节奏：什么时候开始火，靠什么持续火
5.1 按周聚合的声量曲线
我把所有平台的数据按周聚合，画了一条Labubu声量曲线。因为不同平台体量差异很大，我没有直接叠加绝对值，而是分别做了标准化之后再看趋势形态。结果显示，Labubu的走红不是一条平滑上升的曲线，而是典型的“台阶式上升”。
一轮声量上涨，平台期，再一轮上涨，再平台期。这不是一个IP靠某一条爆款内容突然蹿红，而是靠多轮事件不断叠加出来的结果。每一轮事件都会留下一批新增用户，平台期里这批用户开始沉淀内容，然后下一轮事件再拉一批新用户进来。这种增长模型比一次性爆发健康得多，因为它意味着用户基数是累积的，不是一次性的流量脉冲。
5.2 关键节点：联名、隐藏款、明星同款的推波助澜
我把声量曲线的峰值点和事件日历做了对照，找出三个贡献最大的节点：
第一个是某次国际餐饮品牌的联名系列。这次联名把Labubu从潮玩圈直接拉进了大众消费语境，套餐附赠的玩偶被疯抢，社交媒体上刷屏式曝光，单周声量增长了3倍以上。这一波直接重塑了Labubu的受众边界。
第二个是第三代盲盒发售。这代产品的话题点在于隐藏款概率和“端盒”行为，因为隐藏款在二手市场上溢价很高，所以讨论里添加了大量“抽盒攻略”“手感分析”类内容，互动深度明显提高了。
第三个是明星同款效应。有几位偶像先后在综艺和机场街拍里出现Labubu，粉丝群体的转发让IP打进了饭圈，带动了“同款”搜索和代购需求。这种明星带量的路径在潮玩IP里很常见，但Labubu的数据反映出的特征是传播很快、落地也很强，粉丝不只是转发，而是真的去买了。
从传播节奏的角度看，Labubu的走红路径可以概括为：核心圈层种草、联名事件破圈、明星效应增加热度、隐藏款机制维持话题、二级市场溢价反向强化稀缺性。这五步环环相扣，缺了任何一环，都可能只是一个小圈子里的短暂热闹。
6. 代码库与数据集说明：拿到压缩包后怎么快速复现
6.1 项目结构
这个项目整套东西是放在一个RAR压缩包里的，叫“Labubu为什么火？基于多平台数据的潮玩IP受众与舆情分析（数据集+源码）.rar”。解压之后目录结构大概是这样的：
labubu-analysis/ ├── README.md ├── requirements.txt ├── data/ │ ├── raw/ │ │ ├── xhs/ │ │ ├── weibo/ │ │ ├── douyin/ │ │ ├── ecommerce/ │ │ └── resale/ │ ├── processed/ │ │ ├── clean_notes.csv │ │ ├── clean_posts.csv │ │ ├── clean_comments.csv │ │ └── user_profile.csv │ └── output/ │ ├── wordcloud.png │ ├── sentiment_distribution.png │ └── weekly_trend.html ├── src/ │ ├── spiders/ │ │ ├── xhs_spider.py │ │ ├── weibo_spider.py │ │ ├── douyin_spider.py │ │ └── ecommerce_spider.py │ ├── analysis/ │ │ ├── clean.py │ │ ├── profile.py │ │ ├── topic.py │ │ └── sentiment.py │ └── viz/ │ └── charts.py └── docs/ ├── data_dict.md └── api_notes.mddata/raw里面是按平台划分的原始数据，data/processed是清洗后可直接分析的数据，src/spiders是各平台的采集脚本，src/analysis是清洗、画像、话题、情绪分析的代码，src/viz是可视化脚本。
6.2 运行步骤
如果你拿到压缩包想复现，推荐按这个顺序跑：
- 装依赖：在项目根目录运行
pip install -r requirements.txt。核心依赖有requests、pandas、jieba、snownlp、pyecharts、wordcloud、scikit-learn，版本号都写在requirements里了。 - 跳过采集，直接分析：如果你只是想跑通分析和出图，可以不用重新爬数据，直接用
data/processed下的清洗后数据。执行python src/analysis/profile.py可以生成受众画像统计，执行python src/analysis/sentiment.py可以跑情绪分析，输出结果会写入data/output。 - 从头采集：如果你想要更新数据或换一个IP来分析，需要修改各爬虫脚本里的关键词列表。比如换成SKULLPANDA、DIMOO或者其他潮玩IP，只要把
src/spiders/config.py里的KEYWORDS替换掉就行。脚本默认是单线程带频控的，直接跑就能用，不建议盲目开多线程，容易被封。 - 重新可视化：
python src/viz/charts.py会重新生成词云、情绪分布图和声量趋势图。声量趋势图我用的是pyecharts渲染的HTML，浏览器打开就能交互。
6.3 复现过程中容易踩的坑
这几个月跑下来，有几个坑我必须单独拎出来说，都是README里没写但实际会卡住的点：
第一，Python版本建议用3.9或3.10。SnowNLP和jieba在3.11以上的兼容性偶尔会出问题，词云库wordcloud在Windows上还需要对应版本的whl文件，直接用3.9环境最省心。
第二，数据编码一定要用utf-8-sig。我一开始用的是utf-8，结果同事用Excel打开CSV全是乱码。换成utf-8-sig之后，Excel、pandas、R都能正常识别，这个细节能节省大量沟通成本。
第三，情绪分析的阈值要按领域微调。SnowNLP默认0.5作为正负分界线，但实际跑潮玩评论数据时，泛中性表达很多。我把阈值调到0.6和0.4之后，分类结果才和人工标注的吻合率超过八成。如果你换到其他领域，这个阈值一定要重新标定，不要直接套用。
第四，小红书笔记的采样率有偏差。因为小红书接口按热度排序返回，我采到的数据天然偏向高赞内容，这会放大正面情绪的比例。解决办法是同时按“最新”和“最热”两个排序维度各采一遍，再合并去重，能稍微平衡一下偏差。
第五，二级市场数据要小心挂单和成交的区别。得物上挂单价格不代表真实成交价，有些高价挂单是“钓鱼”或者故意拉高预期。分析溢价率的时候，我只用了有成交记录的订单，没有把挂单算进去。
我在实际做这个项目的过程中，最大的体会是：一个IP的火，从来不是单点原因，而是一套生态系统的共同作用。造型设计提供了审美基础，盲盒机制提供了娱乐性，联名事件提供了破圈时机，二级市场提供了话题和溢价想象，社交平台提供了传播载体。这套逻辑放到其他IP上同样成立，只是不同IP在不同环节的权重不一样。
如果你拿这套源码去分析别的潮玩IP，建议重点对比“联名事件驱动”和“产品设计驱动”两种走红模式的区别——前者声量来得快去得也快，后者虽然慢，但用户留存率更高。这套数据和分析框架能帮你用同样的方法快速得出结论，不需要从零开始搭爬虫和分析链路。
本文还有配套的精品资源，点击获取
