一、为什么需要京东评论接口在电商运营中商品评论是用户真实反馈的黄金数据源。一条差评可能在数小时内影响数百人的购买决策而逐条手动翻页查看评论不仅效率极低更无法做到规模化分析。通过京东评论接口可以程序化获取商品评价数据实现口碑监控实时追踪自家商品和竞品的用户反馈产品迭代从海量评论中提取用户痛点指导产品改进竞品分析对比同类商品的好评率、差评集中点舆情预警自动识别负面关键词分钟级响应危机京东评论接口主要分为两类京东开放平台官方 API合规、稳定、推荐和前端评论接口需爬虫存在反爬风险。本文重点讲解官方 API 的接入与实战。二、接入准备账号、权限与密钥2.1 注册与认证注册开发者账号完成实名认证企业用户需提交营业执照 近 3 个月经营流水创建应用选择「自研应用」或「联盟应用」类型2.2 申请接口权限2026 年京东开放平台实行权限分级新规评论接口权限如下权限等级适用人群可获取数据QPS 限制申请要求基础权限个人开发者商品名称、价格、主图、基础销量、评价摘要5实名认证进阶权限企业用户 促销详情、评价原文、店铺评分、优惠券20企业营业执照高级权限联盟合作伙伴 实时销量、商品成长指数、点击转化率60数据用途承诺书⚠️注意评价原文需单独申请权限评论数据默认仅返回近180 天的用户评价。2.3 获取密钥审核通过后在应用管理后台获取App Key应用标识App Secret签名密钥Access TokenOAuth2.0 访问令牌三、接口详解与核心参数3.1 接口基础信息项目说明接口方法jd.union.open.goods.comment.query联盟版/jd.item.review通用版网关地址https://api.jd.com/routerjson传输协议HTTPS推荐 POST参数量大防截断返回格式JSON鉴权方式AppKey AppSecret MD5 签名 AccessToken OAuth2.0 双鉴权单页上限50-100 条/页总量限制通常限制 1000 条/商品数据时效近 180 天3.2 公共请求参数所有 JOS 接口通用参数名类型必填说明methodString是接口方法名如jd.union.open.goods.comment.queryapp_keyString是应用分配的 App Keyaccess_tokenString是OAuth 授权令牌timestampString是请求时间戳格式yyyy-MM-dd HH:mm:ssformatString否返回格式固定jsonvString否接口版本固定2.0sign_methodString否签名方法固定md5param_jsonString是业务入参 JSON 字符串signString是参数字典序 MD5 签名3.3 业务参数param_json内参数名类型必填说明skuIdString是京东商品 SKU 编号pageIndexInt是页码从 1 开始pageSizeInt是每页条数最大 100scoreInt否评分筛选0-全部1-差评2-中评3-好评4-晒单5-视频评价isImageInt否是否只查带图评论0-全部1-带图needAfterReviewInt否是否需要追评0-不需要1-需要3.4 核心返回字段{ commentId: 评论唯一ID, content: 评论正文, rating: 5, creationTime: 2026-07-15 14:30:00, skuAttr: 颜色:黑色;尺码:XL, pictures: [图片URL1, 图片URL2], afterSaleReview: { content: 追评内容, creationTime: 2026-07-20 10:00:00 }, userNickName: 匿名用户, userLevel: PLUS会员 }四、Python 实战从接口调用到全量采集4.1 MD5 签名生成核心且易踩坑京东 API 的签名规则是AppSecret 放首尾中间按参数名字典序拼接 keyvalue最后整体 MD5 加密转大写。这是新手最容易出错的地方。import hashlib import json import time import requests APP_KEY 你的AppKey APP_SECRET 你的AppSecret ACCESS_TOKEN 你的AccessToken API_URL https://api.jd.com/routerjson def generate_sign(params: dict, app_secret: str) - str: 京东 API MD5 签名生成 规则app_secret 按key排序后的keyvalue拼接 app_secret整体MD5转大写 # 过滤空值按key字典序排序 sorted_items sorted( [(k, v) for k, v in params.items() if v is not None and v ! ], keylambda x: x[0] ) # 拼接签名字符串 sign_str app_secret for k, v in sorted_items: sign_str f{k}{v} sign_str app_secret # MD5加密并转大写 return hashlib.md5(sign_str.encode(utf-8)).hexdigest().upper() def fetch_comments_page(sku_id: str, page: int 1, page_size: int 20, score: int 0): 单页评论采集 # 业务参数 biz_params { skuId: sku_id, pageIndex: page, pageSize: page_size, score: score, isImage: 0, needAfterReview: 1 } # 公共参数 common_params { app_key: APP_KEY, method: jd.union.open.goods.comment.query, timestamp: time.strftime(%Y-%m-%d %H:%M:%S), format: json, v: 2.0, sign_method: md5, access_token: ACCESS_TOKEN, param_json: json.dumps(biz_params, separators(,, :)) } # 生成签名注意签名时不包含 sign 字段本身 common_params[sign] generate_sign(common_params, APP_SECRET) try: response requests.get(API_URL, paramscommon_params, timeout15) data response.json() # 解析响应 result data.get(jd_union_open_goods_comment_query_res, {}).get(result, {}) comments result.get(comments, []) return { comments: comments, total: result.get(totalCount, 0), good_rate: result.get(goodRate, 0) } except Exception as e: print(f请求失败{e}) return {comments: [], total: 0, good_rate: 0}4.2 全量评论采集自动分页 流控import pandas as pd from time import sleep def crawl_all_comments(sku_id: str, max_pages: int 50, score: int 0): 全量采集商品评论自动分页带流控和容错 all_comments [] page 1 print(f开始采集商品 {sku_id} 的评论...) while page max_pages: result fetch_comments_page(sku_id, pagepage, scorescore) comments result.get(comments, []) if not comments: print(f第 {page} 页无数据采集结束) break for c in comments: after c.get(afterSaleReview) or {} row { comment_id: c.get(commentId), sku_id: sku_id, star: c.get(rating, 5), content: c.get(content, ), after_comment: after.get(content, ), spec: c.get(skuAttr, ), create_time: c.get(creationTime), has_img: 1 if c.get(pictures) else 0, user_nick: c.get(userNickName, ), user_level: c.get(userLevel, ) } all_comments.append(row) print(f第 {page} 页采集完成本页 {len(comments)} 条累计 {len(all_comments)} 条) # 流控避免触发限流每页间隔 0.5-1 秒 sleep(0.6) page 1 df pd.DataFrame(all_comments) df.to_csv(fjd_comments_{sku_id}.csv, indexFalse, encodingutf-8-sig) print(f采集完成共 {len(df)} 条评论已保存至 jd_comments_{sku_id}.csv) return df if __name__ __main__: # 示例采集 iPhone 16 的评论替换为真实 SKU df crawl_all_comments(sku_id100012043978, max_pages20)五、数据清洗与 NLP 深度分析采集到原始评论后需要进行清洗和结构化分析才能产生业务价值。5.1 数据清洗import re import jieba # 停用词表 STOPWORDS set([的, 了, 很, 非常, 还是, 但是, 觉得, 这个, 那个, 一个, 有点, 感觉, 就是]) def clean_comment(text: str) - str: 评论文本清洗 if not isinstance(text, str): return # 去除HTML标签 text re.sub(r[^], , text) # 去除特殊符号保留中文、英文、数字 text re.sub(r[^\u4e00-\u9fa5a-zA-Z0-9], , text) # 去除多余空格 text re.sub(r\s, , text).strip() return text def tokenize(text: str) - list: 分词并过滤停用词 words jieba.lcut(text) return [w for w in words if len(w) 2 and w not in STOPWORDS]5.2 情感分析SnowNLP 快速版from snownlp import SnowNLP def analyze_sentiment(text: str): 情感分析0.6 好评0.3-0.6 中评0.3 差评 if not text or len(text) 3: return 0.5, 中性 try: score SnowNLP(text).sentiments if score 0.6: label 好评 elif score 0.3: label 中评 else: label 差评 return round(score, 3), label except: return 0.5, 未知 # 批量分析 df[clean_content] df[content].apply(clean_comment) df[[sentiment_score, sentiment_label]] df[clean_content].apply( lambda x: pd.Series(analyze_sentiment(x)) )5.3 差评关键词提取定位产品痛点import jieba.analyse # 提取差评文本 bad_comments df[df[sentiment_label] 差评][clean_content].tolist() bad_text .join(bad_comments) # TF-IDF 提取关键词 keywords jieba.analyse.extract_tags( bad_text, topK30, withWeightTrue, allowPOS(n, v, a) # 只保留名词、动词、形容词 ) print(差评高频痛点 TOP10) for word, weight in keywords[:10]: print(f {word}: {weight:.4f})5.4 可视化情感分布 差评词云import matplotlib.pyplot as plt from wordcloud import WordCloud plt.rcParams[font.sans-serif] [SimHei] plt.rcParams[axes.unicode_minus] False # 1. 情感分布饼图 sent_counts df[sentiment_label].value_counts() colors {好评: #52c41a, 中评: #faad14, 差评: #f5222d} plt.figure(figsize(6, 6)) plt.pie( sent_counts.values, labelssent_counts.index, autopct%1.1f%%, colors[colors.get(l, #999) for l in sent_counts.index] ) plt.title(评论情感分布, fontsize14, fontweightbold) plt.savefig(sentiment_pie.png, dpi150) plt.close() # 2. 差评词云 if bad_text: wc WordCloud( font_pathC:/Windows/Fonts/simhei.ttf, # Linux/Mac 请替换路径 width900, height500, background_colorwhite, colormapReds ) wc.generate(bad_text) wc.to_file(bad_wordcloud.png)六、避坑指南与合规红线6.1 常见错误码与解决方案错误码含义解决方案10001入参异常检查app_key是否为空请求体是否超过 3M4001签名错误检查密钥、参数排序、编码是否合规注意大小写403权限不足确认接口权限是否已开通Token 是否过期429频率限制采用指数退避重试降低 QPS6.2 合规红线务必遵守仅使用官方开放 API 获取数据禁止抓包逆向前端匿名接口、代理爬虫批量爬取调用频次严格遵循平台 QPS 限流规则基础权限 QPS 为 5超限可能导致 IP 被封禁数据用途合规仅限企业竞品调研、市场分析自用禁止倒卖用户评论隐私数据评论隐私保护评价原文需单独申请权限禁止泄露用户个人信息数据延迟认知库存、价格数据可能存在 5-10 分钟延迟评论数据仅保留近 180 天七、典型应用场景场景 1品牌口碑监控系统定时采集自家商品和核心竞品的评论通过关键词预警如质量问题假货破损触发钉钉/企业微信告警自动生成周报统计好评率和差评 TOP 问题。场景 2产品迭代决策支持批量提取差评中的高频关键词定位用户集中吐槽点如物流慢包装差尺寸不准为产品改进和供应链优化提供数据依据。场景 3竞品评论对比分析同时采集 3-5 款竞品商品的评论对比好评率、差评集中属性、用户关注维度输出竞品口碑雷达图辅助制定差异化营销策略。