影刀RPA实操指南：评论情感分析自动化——正面负面自动打标

影刀RPA实操指南：评论情感分析自动化——正面负面自动打标

做店铺运营或内容运营的人都有这个体会：一条笔记爆了，评论几百条，想知道大家到底是夸还是骂，只能一条条滑着看。我用影刀RPA把这件事做成了全自动：评论采集下来，情感分析指令逐条判断正面负面，自动打标写回表格，负面的还单独汇总。这篇把完整流程拆开讲，从装软件到跑通，照着做就行。

影刀RPA里做情感分析有两条路：一是直接用自带的【情感倾向分析】指令，零配置；二是用免费的【影刀离线NLP情感分析】指令，不消耗额度。两条路我都跑过，下面会把选型逻辑、参数配置和我踩过的坑一次讲透。

认识影刀RPA：安装与第一个流程

去影刀官网下载客户端，社区版免费够用，安装就是常规下一步。装完先装浏览器插件，打开客户端时它会引导你装Chrome或Edge插件，这一步不做后面网页自动化全部白搭。

新建应用后中间是画布，右侧是指令面板，搜"情感"就能看到【情感倾向分析】和【影刀离线NLP情感分析】两个指令。把指令拖进画布，填参数，点顶部"运行"就能跑，这就是影刀RPA的全部上手难度。

Python图标记得点亮：顶部工具栏点击Python图标等待初始化，处理情感结果的JSON时用得上。

元素定位四合一：先解决评论怎么抓

情感分析的前提是有评论数据，抓评论靠元素定位。影刀RPA的四件套：元素捕获、XPath、CSS选择器、正则表达式，抓评论主要靠前两个。

操作顺序是：点击顶部工具栏"捕获元素"按钮，浏览器跳转后鼠标移到评论节点上出现橙色边框，点击确认。抓单条评论后，用相似元素循环把整个评论列表遍历出来，这是抓评论的标准姿势。

评论区常用的几条XPath参考：

# 捕获元素：评论列表的单条评论容器（结构稳定时首选） //*[@id="noteContainer"]//div[@class="comment-item"] # 捕获元素：评论正文（容器下第二层span） //*[@class="comment-list"]//div[@class="comment-item"]//span[@class="content"] # 模糊匹配：通过"共xx条评论"文本定位计数节点 //*[contains(text(),'条评论')] # 参照物定位：评论发布时间取评论内容的下一个兄弟节点 //*[contains(@class,'content')]/following-sibling::*[1]

XPath和CSS的选型原则：按class和层级走用CSS（div.comment-item > span），要按文本找、要往父级或兄弟方向找就用XPath。正则表达式放在后面清洗环节，比如把评论里的表情占位符、@回复前缀清掉。

评论区的坑：评论的class名经常是动态的，今天能跑明天就挂。我现在的习惯是优先用文本特征或相对位置定位，少依赖class。

变量与数据类型：情感结果是个字典

评论是字符串，评论列表是列表，而情感分析的结果是个字典——这是本篇最重要的变量知识点。

【影刀离线NLP情感分析】指令的输出是dict类型，官方文档给的格式长这样：

{"text":"正向","probability":0.9323568041849057}

拿到结果后用"获取JSON对象中的值"或Python取键：text是情感方向，probability是置信概率。字典取值要防键不存在——先用判断键是否存在的指令查一下，或者套默认值，不然某条评论分析失败整个循环就断。

字符串操作也常用：拼接打标结果（“负面|物流太慢”）、截取评论前100字送分析（超长评论影响速度）、替换特殊字符，这些都在字符串指令集里有现成指令。

流程控制：批量打标的骨架

流程骨架三层：相似元素循环抓评论、ForEach列表循环逐条分析、If条件判断打标。

具体走法：第一步把评论采集进二维列表或Excel；第二步ForEach遍历，每条评论送【情感倾向分析】；第三步If判断text等于"正向"还是"负向"，把标签写进对应列；probability小于阈值（比如0.7）的归到"待复核"。

异常处理必加：Try块包住分析指令，Catch块用【打印日志】记录第几条评论、错误信息，Finally块做清场，最后【End Try】结束。我第一次跑没加Try-Catch，一条空评论让两百条的分析全报废，重跑一次就是半小时。

While条件循环留给重试：分析失败时最多重试两次，用计数变量控制上限，防止死循环。

两个情感分析指令怎么选

这是选型的核心问题，我做成对比表：

【情感倾向分析】在指令详情面板配置两个参数：AI引擎选默认的影刀引擎，文本选待分析的评论变量。它背后是影刀AI引擎的自然语言处理服务，同一服务下还有文本分词、实体抽取、文本相似度分析，额度企业版每单位20元、其他版本1元，所有增值服务共享，超出后要去客户端个人中心充值。

【影刀离线NLP情感分析】完全免费，能满足大多数需求。它的坑在首次运行：模型比较大，第一次要下载几分钟，不是卡死了。另一个已知的报错是protobuf解析失败，原因是网络波动导致模型没下载完整，解决办法是删除用户目录下的.ydnlp/models文件夹，重新拖入指令再下载一次即可。

我的实战结论：量小用离线版省钱，量大赶时间用云端的快。两个指令输出结构不同，切换时要改取值逻辑。

网页自动化：评论加载的三个坎

评论采集有三个典型障碍：懒加载、弹窗、翻页。

懒加载：小红书、抖音的评论是滚到底才加载的，用"滚动一屏"指令循环滚动，每次滚完判断页面高度是否变化，配合index去重，高度不再变化说明加载完了。弹窗：登录弹窗、评论引导浮层都拦路，按五步标准流程处理——判断元素存在、捕获关闭按钮、点击关闭、Esc兜底、继续主流程。翻页：淘宝这类分页评论区，循环点"下一页"，用按钮class里是否含disabled判断是否到尾页。

窗口切换偶尔也遇到：评论页从新标签页打开时，用切换窗口指令按标题切过去，别模拟点击。

数据处理：打标结果回写Excel

打标结果写Excel，用【设置单元格内容】按行写入，表头设计成：评论内容、情感标签、置信度、评论链接、采集时间。写完跑个小汇总：统计正负面各多少条，负面TOP10单独拉一个Sheet，直接给运营看。

用Python协同做汇总统计更利索：

# 输入：comments 为二维列表，[0]评论内容 [1]情感标签 [2]置信度# 输出：neg_count（负面条数）、neg_list（负面评论清单）neg_list=[]forrowincomments:# 遍历每条评论ifrow[1]=="负向"andfloat(row[2])>0.7:# 高置信度的负向才进清单neg_list.append(row[0])neg_count=len(neg_list)# 负面评论总数

输入是分析完的二维列表，输出可以直接写进汇总Sheet或推送到飞书。

Excel的坑提两个：写入数字变成文本格式，先在指令里把单元格格式设为常规；循环Excel时报Array to String错误，是拿二维列表当一维用了，注意取行再取列。

鼠标键盘图像与进阶技能：什么时候用得上

评论分析流程里，鼠标键盘用得少，主要在处理无法捕获的浮层时用模拟点击，模式上模拟模式对网页够用，驱动模式留给桌面软件。图像识别只在极端场景用，比如弹窗按钮连OCR文本都没有，用"等待图像出现"+"点击图像"处理。

进阶技能里最值得加的是大模型兜底：NLP指令对反讽、网络梗的判断一般，把低置信度的评论再送大模型API复判一遍，准确率明显提升。这用【HTTP 请求】指令实现，方法选POST，协议头按"Authorization: Bearer Key"格式填，协议体放评论内容，细节可以看我前面讲大模型API那篇。

平台实战：不同平台评论区的差异

我实际跑过三个平台，差异不小。

小红书：评论无限滚动加载，懒加载处理是重点，采集时注意去重，同一条评论滚动中会重复出现。淘宝/天猫：分页式评论，翻页逻辑为主，注意好评筛选按钮会改变返回内容，打标前先确保是全量评论。拼多多：App端为主，网页端数据有限，要更全得走手机自动化（ADB），采集到的文本再进情感分析流程，链路不变。

所有平台通用的一条铁律：先采集完整落表，再统一分析。边采边分析看着省事，但采集一断，前后状态就乱了，排查起来想哭。

系统联动与工程化：让结果自己找上门

负面评论是有时效的，发现得越早越好。用【飞书群通知】指令把每天负面汇总推到群里：机器人地址填群机器人的webhook，消息格式选文本类型，支持@联系人，@所有人用at标签包住all即可；机器人开了签名校验就把密钥填进对应参数。

定时任务在客户端计划任务里配，每天上午十点跑一轮，跑完推送，运营到工位就能看到昨晚新增的负面评论。

工程化上做三件事：子流程拆成"采集"、“分析打标”、"汇总推送"三段，参数传递结果数据；命名用编号加动词；调试用断点单步执行配合变量面板，分析结果不对时先看变量面板里dict的真实内容再改逻辑。

易错速查表

学习资源

官方文档里【情感倾向分析】和【影刀离线NLP情感分析】两页都有参数说明和常见问题，动手前先看一遍能少踩一半坑。完整流程源码我放在代码仓库 home.linyan.cloud，采集、打标、飞书推送三段子流程都有，直接参考改造。

#影刀RPA #RPA自动化 #情感分析 #评论采集 #电商

作者：林焱