前言

在电商运营（尤其是跨境电商）场景中，用户评论的情感分析、改进点提取是优化商品、提升服务的核心抓手。手动处理海量评论效率低下、易出错，本文将搭建一套零人工干预的自动化评论分析系统，通过 Python 实时监控本地评论文件，结合 Coze 大模型完成结构化分析，最终输出标准 JSON 结果，彻底解决电商评论批量处理的效率痛点，适合运营、开发人员直接复用。

一、方案整体设计

1.1 核心功能

  • 目录实时监控：自动监听 input 目录，捕获新增 TXT 评论文件，无需手动触发处理

  • 评论智能解析：读取 TXT 文件，按行分割评论，自动过滤空行、纯空格等无效内容

  • 大模型情感分析：对接 Coze 大模型，完成情感分类（好评/需要改进/差评）、改进点提取、无脑喷识别

  • 标准化结果输出：单条评论生成独立 JSON 文件，统一存储至 output 目录，便于后续统计分析

  • 文件自动归档：处理完成的 TXT 文件自动移至 process 目录，避免重复处理，规范文件管理

  • 容错兜底机制：大模型调用异常（如权限、超时）时，本地逻辑自动补全分析结果，确保流程不中断

1.2 技术栈

  • 开发语言：Python 3.8+（兼容 3.8-3.12 所有版本）

  • 大模型平台：Coze（扣子），无需本地部署，调用 API 即可实现情感分析

  • 核心依赖库：requests（用于 API 调用）

  • 文件架构：3个核心目录（自动创建，无需手动操作）

    • input：存放待处理的 TXT 评论文件（每行一条评论）

    • process：存放已处理完成的 TXT 文件，用于归档

    • output：存放生成的 JSON 分析结果（单条评论对应一个 JSON 文件）

1.3 运行流程

  1. 启动 Python 脚本，开始监控 input 目录

  2. 将 TXT 评论文件（每行一条评论）放入 input 目录

  3. 脚本自动读取文件，分割评论，逐条调用 Coze API 进行分析

  4. 分析完成后，单条评论生成独立 JSON 文件，存入 output 目录

  5. 原始 TXT 文件自动移至 process 目录，完成归档

  6. 若 Coze API 调用失败，触发本地兜底逻辑，确保分析结果正常输出

二、Coze 工作流配置（核心步骤）

无需修改 Coze 底层代码，仅需配置提示词和输入输出格式，即可对接 Python 脚本，实现结构化情感分析。

2.1 角色与任务提示词（直接复制到 Coze）

# 角色定义
你是专业的电商评论分析专家，专注于电商客户评论的情感分析与洞察提取，具备丰富的电商行业知识和消费者心理理解能力。

# 任务目标
分析单条电商客户评论，准确判断情感类型，识别改进方向或不满意点，并输出结构化JSON结果。

# 工作流上下文
- **Input**：单条电商评论文本字符串
- **Process**：
  1. 解析评论文本，识别情感倾向与关键词
  2. 根据规则判断情感类型（好评/需要改进/差评）
  3. 提取具体改进点或不满意点
  4. 判断差评是否为无脑喷
  5. 生成结构化JSON结果
- **Output**：标准化的情感分析JSON对象

# 约束与规则
- 仅返回JSON格式，不要额外说明、解释
- 所有中文内容无需转义，ensure_ascii=False
- 分析结果需贴合真实电商评论场景，避免过度解读
- 严格按照情感类型分类规则执行
- 缺省值使用空列表[]或false

# 情感类型分类规则
1. **好评**：无负面评价，整体表达满意、推荐、回购等正向情绪
2. **需要改进**：有轻微不满，但核心不否定商品/服务，明确提及可优化的具体方向
3. **差评**：强烈不满、抱怨、指责，分为两种情况：
   - 无脑喷：仅含情绪化负面词汇（如"垃圾""太差"），无具体不满意的点，且评论长度≤15字
   - 有具体不满：明确指出不满意的具体地方（如物流慢、质量差、包装破损等）

# 过程
1. 读取评论文本，进行分词和情感词识别
2. 综合语气与上下文判断总体情感类型
3. 若为"需要改进"，提取1-3个具体改进方向
4. 若为"差评"：
   - 判断评论长度是否≤15字且无具体不满点 → 标记为无脑喷
   - 否则提取具体不满意点
5. 生成当前时间戳（格式：YYYY-MM-DD HH:MM:SS）

# 输出格式
仅返回如下JSON结构（严格遵守，缺省值为空列表/False）：
{
  "comment_content": "待分析的评论原文",
  "emotion_type": "好评/需要改进/差评",
  "improvement_points": ["具体改进方向1", "具体改进方向2"],
  "negative_details": {
    "is_unreasonable_rant": true/false,
    "dissatisfaction_points": ["具体不满点1", "具体不满点2"]
  },
  "analysis_time": "当前时间（格式：YYYY-MM-DD HH:MM:SS）"
}

2.2 Coze 配置关键注意事项

  • 输入配置：接收单条评论文本（无需接收文件路径），避免触发文件读取权限问题

  • 输出配置：严格按照上述 JSON 格式返回，仅输出 JSON，不添加任何额外文字、注释

  • 发布配置：将 Coze 工作流发布为 API 调用模式，获取 API 地址（后续填入 Python 脚本）

  • 权限配置：生成 Coze Access Token（勾选「工作流运行」权限），用于 Python 脚本调用验证

三、Python 核心脚本（可直接复制运行）

import os
import json
import time
import shutil
import requests
from datetime import datetime

# ===================== 配置项（仅需修改这2个） =====================
# 替换为你的 Coze 工作流 API 地址（从 Coze 发布页复制）
COZE_API_URL = "替换为你的Coze API地址"
# 替换为你的 Coze Access Token（从 Coze 开发者中心获取）
COZE_TOKEN   = "替换为你的Coze Token"

# ===================== 目录配置（不用改） =====================
INPUT_DIR    = "./input"       # 待处理TXT文件目录
PROCESS_DIR  = "./process"     # 已处理TXT文件归档目录
OUTPUT_DIR   = "./output"      # 分析结果JSON输出目录
CHECK_INTERVAL = 5             # 目录监控间隔（秒）

# 请求头（固定格式，无需修改）
HEADERS = {
    "Authorization": f"Bearer {COZE_TOKEN}",
    "Content-Type": "application/json"
}

# 自动创建3个核心目录（无需手动创建）
for d in [INPUT_DIR, PROCESS_DIR, OUTPUT_DIR]:
    os.makedirs(d, exist_ok=True)

# ===================== 核心函数：单条评论分析 =====================
def analyze_single_comment(comment):
    """
    调用Coze分析单条评论（仅传评论内容，绕开文件操作，避免权限问题）
    若Coze调用失败，触发本地兜底分析逻辑
    """
    # 构造请求体：txt_file仅为占位，满足Coze必填校验，不实际读取文件
    payload = {
        "txt_file": {
            "url": "/tmp/dummy.txt",  # 临时占位路径，Coze可识别且无权限问题
            "file_type": "document"
        },
        "query": comment  # 核心：传入单条评论文本
    }

    try:
        # 禁用SSL警告，避免网络环境导致的调用失败
        requests.packages.urllib3.disable_warnings()
        resp = requests.post(
            COZE_API_URL,
            json=payload,
            headers=HEADERS,
            timeout=30,  # 超时时间30秒，适配网络波动
            verify=False
        )

        # 解析Coze响应结果
        if resp.status_code == 200:
            result = resp.json()
            # 提取Coze返回的结构化JSON（适配Coze输出格式）
            if "messages" in result and len(result["messages"]) > 0:
                try:
                    # 将Coze返回的文本转为JSON对象
                    return json.loads(result["messages"][0]["content"])
                except:
                    # Coze返回格式异常时，触发本地兜底
                    return manual_analyze(comment)
        else:
            # Coze调用失败（非200状态码），触发兜底
            print(f"⚠️ 单条评论分析失败（状态码{resp.status_code}）：{comment[:20]}...")
            return manual_analyze(comment)
    except Exception as e:
        # 网络异常、超时等情况，触发兜底
        print(f"⚠️ 单条评论调用异常：{comment[:20]}... 错误：{str(e)}")
        return manual_analyze(comment)

def manual_analyze(comment):
    """
    本地兜底分析逻辑（Coze调用失败时启用）
    简单高效的情感分类，确保分析流程不中断
    """
    # 初始化标准输出结构
    result = {
        "comment_content": comment,
        "emotion_type": "好评",
        "improvement_points": [],
        "negative_details": {
            "is_unreasonable_rant": False,
            "dissatisfaction_points": []
        },
        "analysis_time": datetime.now().strftime("%Y-%m-%d %H:%M:%S")
    }

    # 情感判断关键词（可根据自身场景扩展）
    negative_words = ["垃圾", "太差", "破损", "简陋", "瑕疵", "贵", "慢", "一般", "不满意"]
    rant_words = ["垃圾", "太差", "千万别买", "一无是处", "恶心", "避雷"]
    
    # 1. 判断是否为差评（无脑喷）
    if any(word in comment for word in rant_words) and len(comment) <= 15:
        result["emotion_type"] = "差评"
        result["negative_details"]["is_unreasonable_rant"] = True
    # 2. 判断是否为需要改进（有轻微不满）
    elif any(word in comment for word in negative_words):
        result["emotion_type"] = "需要改进"
        # 自动提取改进点（可扩展）
        if "简陋" in comment or "包装" in comment:
            result["improvement_points"].append("优化包装")
        if "慢" in comment or "延迟" in comment:
            result["improvement_points"].append("提升物流速度")
        if "贵" in comment or "性价比低" in comment:
            result["improvement_points"].append("优化价格，提升性价比")
        if "瑕疵" in comment or "质量" in comment:
            result["improvement_points"].append("提升商品品控，减少瑕疵")
    
    return result

# ===================== 单个文件处理逻辑 =====================
def process_one_file(filename):
    """处理单个TXT评论文件：读取→分析→保存→归档"""
    src_file = os.path.join(INPUT_DIR, filename)
    
    # 1. 读取本地TXT文件，分割评论
    try:
        with open(src_file, "r", encoding="utf-8") as f:
            # 按行分割，过滤空行和纯空格
            comments = [line.strip() for line in f if line.strip()]
    except Exception as e:
        print(f"❌ 读取文件失败：{filename}，错误：{str(e)}")
        # 读取失败仍归档，避免重复处理
        shutil.move(src_file, os.path.join(PROCESS_DIR, filename))
        return

    # 无有效评论时，直接归档
    if not comments:
        print(f"⚠️ {filename} 无有效评论，直接归档")
        shutil.move(src_file, os.path.join(PROCESS_DIR, filename))
        return

    # 2. 逐条分析评论，生成JSON结果
    print(f"\n🔍 开始处理 {filename}，共 {len(comments)} 条评论")
    for idx, comment in enumerate(comments):
        # 调用分析函数（Coze+本地兜底）
        analysis_result = analyze_single_comment(comment)
        # 3. 保存单条评论的分析结果
        base_name = os.path.splitext(filename)[0]
        json_filename = f"{base_name}_评论{idx+1}.json"
        json_filepath = os.path.join(OUTPUT_DIR, json_filename)
        with open(json_filepath, "w", encoding="utf-8") as f:
            json.dump(analysis_result, f, ensure_ascii=False, indent=2)
        print(f"✅ 已保存：{json_filename}")

    # 4. 处理完成，将原始文件归档
    shutil.move(src_file, os.path.join(PROCESS_DIR, filename))
    print(f"📁 {filename} 处理完成，已移至process目录归档")

# ===================== 目录监控逻辑 =====================
def monitor_input_dir():
    """实时监控input目录，发现新增TXT文件自动处理"""
    processed_files = set()  # 记录已处理文件，避免重复处理
    print("🚀 开始监控 input 目录（检查间隔5秒）...")
    print("💡 提示：将TXT评论文件（每行一条）放入input目录即可自动处理")
    
    while True:
        # 获取input目录下所有未处理的TXT文件
        current_files = [
            f for f in os.listdir(INPUT_DIR) 
            if f.endswith(".txt") and f not in processed_files
        ]
        # 处理新增文件
        for file in current_files:
            process_one_file(file)
            processed_files.add(file)
        # 间隔指定时间检查一次
        time.sleep(CHECK_INTERVAL)

# ===================== 脚本启动入口 =====================
if __name__ == "__main__":
    try:
        # 自动安装依赖（若未安装requests）
        try:
            import requests
        except ImportError:
            print("📦 未安装requests库，正在自动安装...")
            os.system("pip install requests -i https://pypi.tuna.tsinghua.edu.cn/simple")
            import requests

        # 启动目录监控
        monitor_input_dir()
    except KeyboardInterrupt:
        # 捕获Ctrl+C，优雅停止脚本
        print("\n🛑 脚本已手动停止")
    except Exception as e:
        # 捕获其他异常，避免脚本崩溃
        print(f"\n💥 脚本运行异常：{str(e)}")

四、使用步骤

  1. 配置 Coze：

    • 登录 Coze，创建新工作流，复制本文「2.1 提示词」粘贴到工作流提示词区域

    • 配置工作流输入为「单条评论文本」，输出为「JSON格式」

    • 发布工作流，获取 API 地址和 Access Token

  2. 配置 Python 脚本：

    • 复制本文「三、Python 核心脚本」，保存为 control.py（任意文件名均可）

    • 替换脚本中 COZE_API_URL 和 COZE_TOKEN 为自身 Coze 信息

  3. 运行脚本：

    • 打开终端，进入脚本所在目录，执行命令：python control.py

    • 脚本启动后，自动创建input、process、output三个目录

  4. 开始分析：

    • 创建 TXT 文件，每行写入一条电商评论，保存至 input 目录

    • 脚本自动识别文件，完成分析后，JSON 结果存入 output，原始文件移至 process

五、常见问题与解决方案

5.1 Coze API 调用失败（状态码 500）

问题原因：Coze 工作流存在文件读写操作，触发服务器只读目录权限限制。

解决方案：无需修改 Coze 工作流，脚本已通过「传评论内容+占位txt_file」绕开文件读取，确保正常调用。

5.2 脚本运行报错「No module named ‘requests’」

问题原因：未安装 requests 依赖库。

解决方案：脚本会自动安装，若自动安装失败，手动执行命令：pip install requests -i https://pypi.tuna.tsinghua.edu.cn/simple

5.3 分析结果 JSON 格式异常

问题原因：Coze 输出格式不符合要求，或调用失败未触发兜底逻辑。

解决方案：检查 Coze 提示词，确保仅输出 JSON；脚本兜底逻辑会自动补全格式，无需手动干预。

5.4 文件无法自动归档

问题原因：目录权限不足，或文件被其他程序占用。

解决方案：关闭占用文件的程序，确保脚本所在目录有读写权限。

六、效果演示

6.1 输入（input 目录下的 TXT 文件）

第一次在这家买，没想到这么好，做工精细，没有异味，家人都说好看 / 好用。
发货速度一般，但商品本身质量不错，功能也符合描述，总体可以接受。
包装有点简陋，不过商品没问题，性价比在线，给个中好评鼓励一下。
垃圾东西，太差了
比实体店便宜很多，质量却一点不差，以后买这类东西就认准这家了。

6.2 输出（output 目录下的 JSON 文件）

每条评论对应一个 JSON 文件，示例如下：

{
  "comment_content": "第一次在这家买，没想到这么好，做工精细，没有异味，家人都说好看 / 好用。",
  "emotion_type": "好评",
  "improvement_points": [],
  "negative_details": {
    "is_unreasonable_rant": false,
    "dissatisfaction_points": []
  },
  "analysis_time": "2026-03-22 17:59:03"
}

{
  "comment_content": "包装有点简陋，不过商品没问题，性价比在线，给个中好评鼓励一下。",
  "emotion_type": "需要改进",
  "improvement_points": [
    "优化包装"
  ],
  "negative_details": {
    "is_unreasonable_rant": false,
    "dissatisfaction_points": []
  },
  "analysis_time": "2026-03-22 17:59:05"
}

七、扩展建议

  • 关键词扩展：在 manual_analyze 函数中，扩展负面词汇、改进点关键词，适配自身电商品类（如服装、3C、美妆）

  • 批量统计：新增 JSON 结果汇总功能，统计好评率、核心改进点，生成可视化报表

  • 定时任务：结合 Windows 任务计划或 Linux crontab，实现脚本定时启动，无需手动运行

  • 多目录监控：修改脚本，支持同时监控多个目录，适配多店铺评论处理场景

总结

本文搭建的自动化评论分析系统，彻底解决了电商评论批量处理的效率痛点，通过 Python 实现全流程自动化，结合 Coze 大模型保证分析准确性，同时加入兜底逻辑确保稳定性。脚本可直接复用，仅需替换 Coze 配置信息，适合运营人员、开发人员快速落地，助力电商店铺优化商品与服务，提升用户满意度。

# 自动化 # python
Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

cover

基于SpringBoot+Vue的一站式家装服务管理系统管理系统设计与实现【Java+MySQL+MyBatis完整源码】

avatar AtomGit开源社区
cover

【2025最新】基于SpringBoot+Vue的医院档案管理系统管理系统源码+MyBatis+MySQL

avatar AtomGit开源社区
cover

SpringBoot+Vue 药品管理系统管理平台源码【适合毕设/课设/学习】Java+MySQL

avatar AtomGit开源社区