影刀RPA 自动化舆情监控：关键词预警与报告生成

影刀RPA 自动化舆情监控关键词预警与报告生成作者林焱写在前面品牌负面舆情一旦爆发几个小时内可能蔓延全网。靠人工每天刷微博、知乎、新闻根本来不及。影刀可以帮你搭一套7×24小时的舆情监控系统定时采集多个平台的内容→关键词匹配→情感初步判断→有风险立即推送告警。本文从零到一搭建这套系统。一、系统架构拼多多店群自动化报活动上架数据来源 ├── 微博关键词搜索 ├── 知乎话题搜索 ├── 新闻网站RSS订阅 └── 百度指数品牌声量 处理流程 采集数据 → 关键词过滤 → 情感判断 → 风险评分 → 告警/汇总报告二、RSS新闻监控最简单稳定的方案很多新闻网站提供RSS订阅不需要爬虫就能获取内容是舆情监控的首选数据源。importfeedparserimportrequestsimportjsonimporttimeimportdatetimeimportrefromcollectionsimportdefaultdictdefmonitor_rss_feeds(feed_urls,keywords,lookback_hours24): 监控RSS新闻中的关键词 feed_urls: RSS地址列表 keywords: 监控关键词列表 lookback_hours: 只看最近N小时的内容 cutoff_timedatetime.datetime.now()-datetime.timedelta(hourslookback_hours)matched_articles[]forfeed_urlinfeed_urls:try:feedfeedparser.parse(feed_url)forentryinfeed.entries:# 解析发布时间ifhasattr(entry,published_parsed):importcalendar pub_timedatetime.datetime.fromtimestamp(calendar.timegm(entry.published_parsed))else:pub_timedatetime.datetime.now()# 只处理时间窗口内的文章ifpub_timecutoff_time:continue# 标题摘要全文搜索full_textf{entry.get(title,)}{entry.get(summary,)}matched_keywords[kwforkwinkeywordsifkwinfull_text]ifmatched_keywords:matched_articles.append({来源:feed.feed.get(title,feed_url),标题:entry.get(title,),摘要:entry.get(summary,)[:200],链接:entry.get(link,),发布时间:pub_time.strftime(%Y-%m-%d %H:%M),命中关键词:, .join(matched_keywords),})exceptExceptionase:print(fRSS采集失败{feed_url}-{e})returnmatched_articles# 配置RSS源RSS_FEEDS[https://36kr.com/feed,# 36氪https://www.huxiu.com/rss/,# 虎嗅https://www.ifanr.com/feed,# 爱范儿https://news.qq.com/rss/tech.xml,# 腾讯科技# 还可以添加各平台的搜索RSS如百度新闻、Google News的搜索结果RSS]# 监控关键词KEYWORDS[品牌A,品牌A食品,品牌A安全,公司名称,产品名]articlesmonitor_rss_feeds(RSS_FEEDS,KEYWORDS)print(f发现{len(articles)}篇相关文章)三、情感分析判断正面/负面fromsnownlpimportSnowNLP# pip install snownlp# 负面词汇词典可自定义扩展NEGATIVE_WORDS[投诉,举报,欺诈,虚假,问题,缺陷,召回,致癌,危险,事故,处罚,罚款,违规,索赔,退款,维权,曝光,负面,差评,中毒,过期]POSITIVE_WORDS[好评,推荐,优质,创新,突破,荣获,获奖,上市,合作,融资,获批,认证]defanalyze_sentiment(text): 情感分析返回风险级别 returns: (sentiment_score, risk_level) # SnowNLP情感得分0-1越接近1越正面try:sentiment_scoreSnowNLP(text).sentimentsexcept:sentiment_score0.5# 无法判断时返回中性# 负面词计数negative_countsum(1forwordinNEGATIVE_WORDSifwordintext)positive_countsum(1forwordinPOSITIVE_WORDSifwordintext)# 综合判断风险级别ifnegative_count3orsentiment_score0.2:risk_level高风险elifnegative_count1orsentiment_score0.4:risk_level中风险elifpositive_count2orsentiment_score0.7:risk_level正面else:risk_level中性returnsentiment_score,risk_level,negative_count# 对采集到的文章进行情感分析forarticleinarticles:score,risk,neg_countanalyze_sentiment(article[标题] article[摘要])article[情感得分]round(score,3)article[风险级别]risk article[负面词数量]neg_count# 按风险排序articles.sort(keylambdax:[高风险,中风险,中性,正面].index(x.get(风险级别,中性)))四、实时告警推送defsend_alert(articles,webhook_url): 推送高风险内容告警 high_risk[aforainarticlesifa.get(风险级别)高风险]ifnothigh_risk:returnalert_contentf## ⚠️ 舆情风险告警\n\nalert_contentf发现 **{len(high_risk)}** 条高风险内容请立即关注\n\nfori,articleinenumerate(high_risk[:5],1):# 最多显示5条alert_contentf**{i}. [{article[标题]}]({article[链接]})**\nalert_contentf 来源{article[来源]}| 时间{article[发布时间]}\nalert_contentf 命中关键词{article[命中关键词]}\nalert_contentf{article[摘要][:100]}...\n\niflen(high_risk)5:alert_contentf\n 还有{len(high_risk)-5}条未展示请查看完整报告\n# 发送到企业微信群importrequests payload{msgtype:markdown,markdown:{content:alert_content}}resprequests.post(webhook_url,jsonpayload)print(f告警已推送{resp.json()})ALERT_WEBHOOKhttps://qyapi.weixin.qq.com/cgi-bin/webhook/send?key你的keysend_alert(articles,ALERT_WEBHOOK)五、每日舆情汇总报告importopenpyxlfromopenpyxl.stylesimportPatternFill,Font,Alignmentdefgenerate_daily_report(articles,output_fileNone):生成每日舆情汇总Excel报告ifoutput_fileisNone:date_strdatetime.datetime.now().strftime(%Y%m%d)output_filef舆情监控报告_{date_str}.xlsxwbopenpyxl.Workbook()# Sheet1概览ws_summarywb.active ws_summary.title每日概览totallen(articles)risk_countsdefaultdict(int)forainarticles:risk_counts[a.get(风险级别,未知)]1ws_summary.append([舆情监控日报,datetime.datetime.now().strftime(%Y-%m-%d)])ws_summary.append([])ws_summary.append([风险级别,数量,占比])forrisk_levelin[高风险,中风险,中性,正面]:countrisk_counts.get(risk_level,0)ws_summary.append([risk_level,count,f{count/total*100:.1f}%iftotalelse0%])ws_summary.append([合计,total,100%])# Sheet2明细ws_detailwb.create_sheet(明细数据)headers[来源,标题,风险级别,情感得分,命中关键词,发布时间,摘要,链接]ws_detail.append(headers)# 设置标题样式forcellinws_detail[1]:cell.fontFont(boldTrue)cell.fillPatternFill(start_color1565C0,fill_typesolid)cell.fontFont(boldTrue,colorFFFFFF)# 风险级别对应颜色risk_colors{高风险:FF6B6B,中风险:FFB347,中性:E0E0E0,正面:90EE90}forarticleinarticles:row[article.get(来源,),article.get(标题,),article.get(风险级别,),article.get(情感得分,),article.get(命中关键词,),article.get(发布时间,),article.get(摘要,),article.get(链接,),]ws_detail.append(row)# 按风险级别着色riskarticle.get(风险级别,中性)colorrisk_colors.get(risk,E0E0E0)fillPatternFill(start_colorcolor,fill_typesolid)forcellinws_detail[ws_detail.max_row]:cell.fillfill# 调整列宽ws_detail.column_dimensions[B].width40ws_detail.column_dimensions[G].width50ws_detail.column_dimensions[H].width50wb.save(output_file)print(f舆情报告已生成{output_file})returnoutput_fileTEMU店群矩阵自动化运营核价报活动六、完整定时执行流程defrun_sentiment_monitoring():完整的舆情监控流程print(f[{datetime.datetime.now().strftime(%Y-%m-%d %H:%M)}] 开始舆情监控...)# 1. 采集articlesmonitor_rss_feeds(RSS_FEEDS,KEYWORDS,lookback_hours2)# 2. 情感分析forarticleinarticles:textarticle[标题] article[摘要]score,risk,neg_countanalyze_sentiment(text)article.update({情感得分:score,风险级别:risk,负面词数量:neg_count})# 3. 告警send_alert(articles,ALERT_WEBHOOK)# 4. 每天早上8点生成日报ifdatetime.datetime.now().hour8:report_filegenerate_daily_report(articles)print(f日报已生成{report_file})print(f监控完成共分析{len(articles)}条内容)# 在影刀中设置每2小时执行一次run_sentiment_monitoring()七、踩坑记录坑1SnowNLP对网络语言识别不准SnowNLP是基于微博语料训练的对中规中矩的新闻文章识别准确率约70%。提高准确率的方法结合自定义负面词典负面词数量比情感得分更可靠。坑2RSS源有些不稳定部分媒体的RSS地址会变化或停更。建议定期检查RSS是否还有更新超过7天没新内容的RSS源标记为失效。坑3中文分词影响关键词匹配直接字符串匹配品牌A in text可以用但对品/牌/A这类被分词打散的情况无效。建议同时用jieba分词后匹配品牌A in .join(jieba.cut(text))。坑4同一条内容被多个源重复收录同一篇文章可能出现在多个RSS源里需要URL去重。用文章链接的MD5作为唯一标识已处理的链接存到文件或SQLite里避免重复告警。总结舆情监控系统的三个核心数据采集RSS是最稳的免费方案、情感判断规则词典SnowNLP双保险、及时告警企业微信群机器人实时推送。搭好后高风险内容第一时间到手机不再靠人工刷屏。署名林焱