Amazon 竞品评论深度分析

对Amazon竞品进行7维度评论深度分析，输出Chart.js交互式HTML报告+Excel数据文件。

Trigger Conditions

• 用户要求分析竞品评论、Review分析、评论对比
• 用户提供ASIN要求做用户反馈分析、痛点挖掘
• 用户说"专业分析评论"、"评论深度分析"、"差评分析"
• 关键词：评论/review/竞品分析/用户反馈/痛点/差评/好评/选品参考
• 用户提供ASIN + 要求按维度整理评论

输入

• ASIN列表（1-5个产品）
• 分析维度（可选，默认7维度全覆盖）

用户标准请求格式（模板）

当用户用以下格式请求时，直接按此模板执行：

请专业分析亚马逊美国站竞品的全部评论，Asin为{ASIN1}和{ASIN2}，按以下维度整理：
1、好评Top5关键词、用户满意点
2、差评Top5痛点（质量、物流、尺寸、色差、功能、包装等分类）
3、统计抱怨最多的5个问题
4、挖掘用户未被满足的需求、隐藏刚需
5、给出差异化选品改进点、避坑要点
6、客户主要使用场景（比如卧室，地下室等）
7、全文采用标准数据分析格式进行输出，词频/情感直观比例+趋势可视化+折线图展示差评率变化，给出一份带有图表和详细分析的可视化分析报告（HTML），另外再生成一份带有调研数据和分析的EXCEL文件

7个分析维度

1. 好评Top5关键词 — 用户满意点，词频统计+情感比例
2. 差评Top5痛点 — 按类别分类（质量/物流/尺寸/色差/功能/包装），含严重程度评级
3. 抱怨最多的5个问题 — 跨产品汇总排序，频次+典型引用
4. 未被满足的需求 — 隐藏刚需、用户期望但未实现的功能
5. 差异化改进点 — 选品建议、避坑要点、创新方向
6. 客户使用场景 — 从评论文本提取场景（卧室/地下室/办公室等）
7. 可视化报告 — HTML图表（含差评率趋势折线图）+ Excel数据文件

Workflow

Step 1: 产品页面访问 & 评论提取

Amazon评论页面(product-reviews/{asin})需要登录，不可直接访问。

正确方法：从产品页面内提取评论

# 导航到产品页面
browser_navigate(url=f"https://www.amazon.com/dp/{asin}")

1a. 提取评论（IIFE包装必须）

// browser_console — 必须用IIFE避免变量冲突
(function() {
  const results = [];
  document.querySelectorAll('[data-hook="review"]').forEach(el => {
    // 标题 — 在h5元素内
    let title = '';
    const titleEl = el.querySelector('h5[data-hook="reviewTitle"]');
    if (titleEl) title = titleEl.textContent.trim();
    
    // 正文 — reviewText容器内的文本，需清理模板文字
    let body = '';
    const bodyContainer = el.querySelector('[data-hook="reviewText"]');
    if (bodyContainer) {
      body = bodyContainer.textContent
        .replace(/Brief content visible.*?content\./g, '')
        .replace(/Full content visible.*?content\./g, '')
        .replace(/Read moreRead less/g, '')
        .trim();
    }
    
    // 评分 — 从icon-alt提取
    let rating = 0;
    const ratingSpan = el.querySelector('[data-hook="review-star-rating"] .a-icon-alt');
    if (ratingSpan) {
      const m = ratingSpan.textContent.match(/(\d+(\.\d+)?)/);
      if (m) rating = parseFloat(m[1]);
    }
    
    // 日期
    let date = '';
    const dateEl = el.querySelector('[data-hook="review-date"]');
    if (dateEl) date = dateEl.textContent.trim();
    
    // 已验证购买
    const verified = !!el.querySelector('[data-hook="avp-badge"]');
    
    // 有用投票数
    let helpful = '';
    const helpEl = el.querySelector('[data-hook="helpful-vote-statement"]');
    if (helpEl) helpful = helpEl.textContent.trim();
    
    results.push({rating, title, body, date, verified, helpful});
  });
  
  // 评分分布 — 从histogram链接提取
  const histLinks = document.querySelectorAll('a[href*="acr_dp_hist"]');
  const hist = {};
  histLinks.forEach(a => {
    const text = a.textContent;
    const starMatch = text.match(/(\d)\s*star/);
    const pctMatch = text.match(/(\d+)%/);
    if (starMatch && pctMatch) {
      hist[starMatch[1] + '_star'] = parseInt(pctMatch[1]);
    }
  });
  
  // 总评价数
  let totalReviews = '';
  const totalEl = document.querySelector('#acrCustomerReviewText');
  if (totalEl) totalReviews = totalEl.textContent.trim();
  
  // 总体评分
  let overallRating = '';
  const ratingEl = document.querySelector('#acrPopover .a-icon-alt');
  if (ratingEl) overallRating = ratingEl.textContent.trim();
  
  return JSON.stringify({totalReviews, overallRating, hist, count: results.length, reviews: results});
})()

1b. 提取产品信息

(function() {
  let title = document.querySelector('#productTitle')?.textContent.trim() || '';
  let price = document.querySelector('.a-price .a-offscreen')?.textContent.trim() || '';
  let features = '';
  const featEl = document.querySelector('#featurebullets_feature_div');
  if (featEl) features = featEl.textContent.trim().substring(0, 500);
  return JSON.stringify({title, price, features});
})()

1c. 评分分布备用提取

histogram链接是提取评分分布的最可靠方法。页面HTML结构：

5 star4 star3 star2 star1 star5 star76%12%3%4%5%76%

解析：每个链接文本包含所有百分比，最后一个%是该星级的比例。

Step 1.5: 补充更多评论（可选）

产品页面通常只显示8-11条评论。如需更多数据，通过web_search获取第三方评论摘要：

# 搜索第三方评论汇总
web_search(f"amazon {asin} reviews summary analysis")
web_search(f"site:reddit.com amazon {product_name} review")

Step 2: 数据存储

将提取的评论保存为JSON：

import os, json
os.makedirs('/tmp/amazon_reviews', exist_ok=True)
with open('/tmp/amazon_reviews/review_data.json', 'w') as f:
    json.dump(all_data, f, indent=2, ensure_ascii=False)

Step 3: NLP分析

3a. 关键词提取（好评+差评分离）

import re
from collections import Counter

stop_words = set(['the', 'a', 'an', 'and', 'or', 'but', 'in', 'on', 'at', 'to', 'for',
    'of', 'with', 'by', 'from', 'is', 'was', 'are', 'were', 'be', 'been', 'being',
    'have', 'has', 'had', 'do', 'does', 'did', 'will', 'would', 'could', 'should',
    'may', 'might', 'can', 'this', 'that', 'these', 'those', 'i', 'you', 'he', 'she',
    'it', 'we', 'they', 'what', 'which', 'who', 'when', 'where', 'why', 'how',
    'all', 'each', 'every', 'both', 'few', 'more', 'most', 'other', 'some', 'such',
    'no', 'not', 'only', 'own', 'same', 'so', 'than', 'too', 'very', 'just',
    'about', 'above', 'after', 'again', 'also', 'am', 'any', 'as', 'because',
    'before', 'between', 'into', 'like', 'me', 'my', 'nor', 'off', 'once',
    'out', 'over', 'then', 'there', 'through', 'under', 'until', 'up', 'while',
    'product', 'item', 'bought', 'purchased', 'one', 'get', 'got', 'really',
    'much', 'well', 'still', 'even', 'make', 'made', 'use', 'used', 'using',
    'thing', 'things', 'way', 'want', 'needed', 'need', 'come', 'came',
    'work', 'working', 'don', 'didn', 'doesn', 'isn', 'wasn', 'weren', 'won',
    'wouldn', 'couldn', 'shouldn', 'haven', 'hasn', 'hadn'])

def extract_keywords(reviews, min_rating=None, max_rating=None):
    """从指定评分范围的评论中提取关键词"""
    text = []
    for r in reviews:
        if min_rating and r['rating'] \x3C min_rating: continue
        if max_rating and r['rating'] > max_rating: continue
        text.append(r.get('title', '').lower())
        text.append(r.get('body', '').lower())
    combined = ' '.join(text)
    words = re.findall(r'\b[a-z]{3,}\b', combined)
    filtered = [w for w in words if w not in stop_words and len(w) > 2]
    return Counter(filtered).most_common(20)

# 好评关键词（4-5星）
positive_kw = extract_keywords(reviews, min_rating=4)
# 差评关键词（1-2星）
negative_kw = extract_keywords(reviews, max_rating=2)

3b. 痛点分类（扩展版，覆盖用户要求的所有维度）

pain_categories = {
    '质量': ['quality', 'cheap', 'flimsy', 'broke', 'broken', 'defective', 'poor',
            'damage', 'ruin', 'ruined', 'fell apart', 'durable', 'fragile', 'crack',
            'cracked', 'rip', 'ripped', 'tear', 'torn', 'peel', 'peeled'],
    '物流': ['shipping', 'delivery', 'arrived', 'late', 'delayed', 'package',
            'packaging', 'box', 'damaged in transit', 'missing', 'lost'],
    '尺寸': ['size', 'inch', 'fit', 'small', 'big', 'thin', 'thick', 'dimension',
            'measurement', 'too small', 'too large', 'oversized', 'undersized',
            'doesn\'t fit', 'tight', 'loose'],
    '色差': ['color', 'colour', 'different color', 'not as pictured', 'shade',
            'lighter', 'darker', 'faded', 'mismatch', 'looks different'],
    '功能': ['function', 'feature', 'doesn\'t work', 'not work', 'fail', 'failed',
            'malfunction', 'defective', 'useless', 'disappoint', 'advertised'],
    '包装': ['packaging', 'package', 'box', 'wrapper', 'unpacked', 'unboxing',
            'no instructions', 'missing parts', 'incomplete'],
    '粘性/安装': ['stick', 'sticky', 'adhesive', 'glue', 'tape', 'peel', 'fell',
                 'falling', 'detach', 'nonstick', 'residue', 'install'],
    '气味': ['smell', 'odor', 'stink', 'musty', 'mildew', 'chemical', 'smelly'],
    '噪音': ['sound', 'noise', 'echo', 'acoustic', 'absorb', 'dampening', 'quiet', 'loud'],
    '价格': ['price', 'expensive', 'cost', 'value', 'cheap', 'pricey', 'money', 'overpriced'],
    '耐久性': ['last', 'lasting', 'durable', 'wear', 'fade', 'worn', 'degrade']
}

def classify_pain(reviews, max_rating=2):
    """对差评进行分类"""
    pain_counts = {cat: 0 for cat in pain_categories}
    pain_examples = {cat: [] for cat in pain_categories}
    for r in reviews:
        if r['rating'] > max_rating: continue
        text = (r.get('title', '') + ' ' + r.get('body', '')).lower()
        for cat, keywords in pain_categories.items():
            for kw in keywords:
                if kw in text:
                    pain_counts[cat] += 1
                    if len(pain_examples[cat]) \x3C 3:
                        pain_examples[cat].append(r.get('body', '')[:200])
                    break
    return pain_counts, pain_examples

3c. 场景识别

scenario_keywords = {
    '卧室': ['bedroom', 'bed room', 'master bedroom', 'guest room'],
    '客厅': ['living room', 'family room', 'den'],
    '录音室/工作室': ['studio', 'music room', 'recording', 'home studio'],
    '办公室': ['office', 'home office', 'work', 'workspace'],
    '浴室': ['bathroom', 'water closet', 'bath'],
    '厨房': ['kitchen', 'cabinet', 'refrigerator'],
    '地下室': ['basement', 'downstairs', 'garage'],
    '隔音墙': ['accent wall', 'feature wall', 'wall', 'ceiling'],
    '降噪': ['neighbor', 'noise', 'soundproofing', 'hvac', 'closet', 'quiet']
}

def extract_scenarios(reviews):
    """从评论中提取使用场景"""
    scenario_counts = {s: 0 for s in scenario_keywords}
    scenario_examples = {s: [] for s in scenario_keywords}
    for r in reviews:
        text = (r.get('title', '') + ' ' + r.get('body', '')).lower()
        for scene, keywords in scenario_keywords.items():
            for kw in keywords:
                if kw in text:
                    scenario_counts[scene] += 1
                    if len(scenario_examples[scene]) \x3C 2:
                        scenario_examples[scene].append(r.get('body', '')[:150])
                    break
    return scenario_counts, scenario_examples

3d. 差评率趋势分析

from collections import defaultdict

def review_trend(reviews):
    """按月份统计差评率趋势"""
    monthly = defaultdict(lambda: {'total': 0, 'negative': 0})
    for r in reviews:
        date_str = r.get('date', '')
        # 解析日期 "Reviewed in the United States on April 27, 2026"
        import re
        m = re.search(r'on\s+(\w+)\s+\d+,\s*(\d{4})', date_str)
        if m:
            month_key = f"{m.group(2)}-{m.group(1)[:3]}"
            monthly[month_key]['total'] += 1
            if r['rating'] \x3C= 2:
                monthly[month_key]['negative'] += 1
    
    months = sorted(monthly.keys())
    rates = []
    for m in months:
        total = monthly[m]['total']
        neg = monthly[m]['negative']
        rates.append(round(neg / total * 100, 1) if total > 0 else 0)
    return months, rates

3e. 未被满足需求挖掘

unmet_need_patterns = [
    (r'(wish|hope|should|could|would be (nice|great|better)|need|lack|missing|want|expect)',
     '用户期望'),
    (r'(only|just) (complain|issue|problem)', '局限性吐槽'),
    (r'(compare|compared) (to|with)', '竞品对比'),
    (r'(return|refund|replace)', '退货/换货需求'),
]

def extract_unmet_needs(reviews):
    """挖掘未被满足的需求"""
    needs = []
    for r in reviews:
        text = (r.get('title', '') + ' ' + r.get('body', '')).lower()
        for pattern, category in unmet_need_patterns:
            if re.search(pattern, text):
                needs.append({
                    'rating': r['rating'],
                    'category': category,
                    'text': r.get('body', '')[:300]
                })
                break
    return needs

Step 4: HTML报告生成

使用Chart.js CDN生成交互式HTML报告。

用户偏好的配色方案：

• 主色：#0f3460（深蓝）
• 强调色：#e94560（红）
• 好评：#38a169 / #48bb78 / #68d391（绿系）
• 中性：#f6ad55（橙）
• 差评：#e53e3e / #fc8181（红系）
• 功能蓝：#3182ce / #4299e1 / #63b3ed

HTML报告结构（按顺序）：

1. Header渐变背景(#0f3460→#16213e) + 报告标题+日期
2. 执行摘要卡片（双产品对比：ASIN/评分/评论数/好评率/差评率）
3. 评分分布柱状图（Chart.js grouped bar chart）— 双产品对比
4. 好评关键词横向柱状图（Chart.js horizontal bar）— Top10
5. 差评痛点甜甜圈图（Chart.js doughnut）— 痛点分类占比
6. 抱怨问题汇总表格 — 排名/问题/频次/典型引用
7. 未被满足需求分析 — 分类+用户原话+机会点
8. 差异化改进建议（三列布局：保留优点/避免坑/创新方向）
9. 客户使用场景极坐标图（Chart.js polarArea）
10. 差评率趋势折线图（Chart.js line chart）— 用户要求的重点
11. 痛点雷达对比图（Chart.js radar）— 双产品对比
12. 详细评论数据（Tab切换，按评分筛选）

CSS卡片风格：

.card { background:white; border-radius:12px; padding:24px; margin-bottom:20px; box-shadow:0 2px 12px rgba(0,0,0,0.06); }
.card h2 { color:#0f3460; border-left:4px solid #e94560; padding-left:12px; margin-bottom:16px; }
.insight { background:#fffbeb; border-left:4px solid #f6ad55; padding:16px; border-radius:0 8px 8px 0; margin:12px 0; }
.insight.green { background:#f0fff4; border-color:#48bb78; }
.insight.red { background:#fff5f5; border-color:#fc8181; }
.insight.blue { background:#ebf8ff; border-color:#4299e1; }
.metric-card { display:inline-block; background:#f7fafc; border-radius:8px; padding:16px 24px; margin:8px; text-align:center; }
.metric-value { font-size:28px; font-weight:bold; color:#0f3460; }
.metric-label { font-size:12px; color:#718096; text-transform:uppercase; }

差评率趋势折线图（必须包含）：

new Chart(document.getElementById('trendChart'), {
  type: 'line',
  data: {
    labels: months, // ['2025-Jan', '2025-Feb', ...]
    datasets: [
      {
        label: 'Product A 差评率',
        data: ratesA,
        borderColor: '#0f3460',
        backgroundColor: 'rgba(15,52,96,0.1)',
        fill: true,
        tension: 0.3,
        pointRadius: 4
      },
      {
        label: 'Product B 差评率',
        data: ratesB,
        borderColor: '#e94560',
        backgroundColor: 'rgba(233,69,96,0.1)',
        fill: true,
        tension: 0.3,
        pointRadius: 4
      }
    ]
  },
  options: {
    responsive: true,
    plugins: { title: { display: true, text: '差评率月度趋势变化' } },
    scales: { y: { beginAtZero: true, title: { display: true, text: '差评率 (%)' } } }
  }
});

Step 5: Excel生成

使用openpyxl生成，7个工作表：

表头样式：

header_font = Font(bold=True, color='FFFFFF', size=11)
header_fill = PatternFill(start_color='0F3460', end_color='0F3460', fill_type='solid')
red_fill = PatternFill(start_color='FFF5F5', end_color='FFF5F5', fill_type='solid')
green_fill = PatternFill(start_color='F0FFF4', end_color='F0FFF4', fill_type='solid')
yellow_fill = PatternFill(start_color='FFFFF0', end_color='FFFFF0', fill_type='solid')

自动列宽：

def auto_width(ws, min_width=10, max_width=50):
    for col in range(1, ws.max_column + 1):
        max_len = min_width
        for row in range(1, ws.max_row + 1):
            val = ws.cell(row=row, column=col).value
            if val:
                max_len = max(max_len, min(len(str(val)), max_width))
        ws.column_dimensions[get_column_letter(col)].width = max_len + 2

Step 6: 文件交付

6a: 保存到本地workspace

import shutil
dst_dir = os.path.expanduser('~/.hermes/workspace/amazon_review_analysis')
os.makedirs(dst_dir, exist_ok=True)
# shutil.copy2 from /tmp/amazon_review_analysis/

6b: 上传HTML到Dinzee公网（推荐）

HTML报告必须上传到Dinzee获取公网链接，方便浏览器直接打开查看图表交互。

# curl上传（推荐，最稳定）
curl -sL -X POST "https://report.dinzee.ai/report/upload" \
  -H "Authorization: 538f4ad962266f5bc62dabda825e43021820988fdeeca85caaa1aca20e49a0eb" \
  -F "file=@/tmp/amazon_review_analysis/review-analysis-ASIN1-ASIN2.html;filename=review-analysis-ASIN1-ASIN2.html"

返回: {"url": "https://report.dinzee.ai/review-analysis-ASIN1-ASIN2.html"}

命名规范: review-analysis-{ASIN1}-{ASIN2}.html 或 {类型}-{关键词}-{日期}.html

6c: 飞书IM发送附件

⚠️ Feishu文件发送必须用MEDIA附件方式（已验证2026-05-20）：

• send_message 工具在Feishu上下文中不可靠（缺少home channel时会报错）
• 正确做法：在最终回复文本中直接包含 MEDIA: 路径，系统自动上传为飞书附件
• HTML和Excel都要发，公网链接同时输出为裸链明文

MEDIA:/tmp/amazon_review_analysis/review-analysis.html
MEDIA:/tmp/amazon_review_analysis/review-analysis.xlsx

公网链接输出为裸链明文（不要Markdown链接格式）：

https://report.dinzee.ai/review-analysis-ASIN1-ASIN2.html

⚠️ 文件类型限制: Dinzee仅支持 .html, .csv, .json, .xlsx, .xls, .png, .jpg。Excel(.xlsx)可直接上传。

6d: 已验证的完整交付流程 (2026-05-20)

# 1. 生成HTML报告 → Python写入 /tmp/amazon_review_analysis/
# 2. 生成Excel文件 → openpyxl写入 /tmp/amazon_review_analysis/
# 3. 上传HTML到Dinzee
curl -sL -X POST "https://report.dinzee.ai/report/upload" \
  -H "Authorization: 538f4ad962266f5bc62dabda825e43021820988fdeeca85caaa1aca20e49a0eb" \
  -F "file=@/tmp/amazon_review_analysis/review-analysis-{ASIN1}-{ASIN2}.html;filename=review-analysis-{ASIN1}-{ASIN2}.html"
# 4. 上传Excel到Dinzee
curl -sL -X POST "https://report.dinzee.ai/report/upload" \
  -H "Authorization: 538f4ad962266f5bc62dabda825e43021820988fdeeca85caaa1aca20e49a0eb" \
  -F "file=@/tmp/amazon_review_analysis/review-analysis-{ASIN1}-{ASIN2}.xlsx;filename=review-analysis-{ASIN1}-{ASIN2}.xlsx"
# 5. 复制到workspace备份
cp /tmp/amazon_review_analysis/* ~/.hermes/workspace/amazon_review_analysis/
# 6. 在最终回复中用 MEDIA: 路径发送飞书附件 + 裸链

Output 标准格式

最终输出给用户时，用中文大白话总结7个维度的分析结论，然后附上HTML和Excel文件。

格式：

📊 **竞品评论深度分析报告**

**ASIN: {A} vs {B}**

### 1️⃣ 好评Top5关键词
- 关键词1 (出现X次) — 用户认为...
- ...

### 2️⃣ 差评Top5痛点
- 痛点1 (X条提及, 严重程度: 高) — 典型问题：...

### 3️⃣ 抱怨最多的5个问题
1. 问题1 — X条相关评论
2. ...

### 4️⃣ 未被满足的需求/隐藏刚需
- 需求1：用户期望...但目前产品...

### 5️⃣ 差异化选品改进点 & 避坑要点
✅ 保留：...
❌ 避免：...
💡 创新方向：...

### 6️⃣ 客户主要使用场景
- 场景1 (X次提及) — 用户描述：...

### 7️⃣ 可视化报告
HTML报告：[链接]
Excel数据：[链接]

Pitfalls

1. Amazon评论页面需要登录 — product-reviews/{asin} URL会重定向到登录页。必须从产品页面内提取评论（产品页面显示约10条最新评论）。
2. curl/requests被403 — Amazon反爬严格，直接HTTP请求被拦截。必须使用browser工具。
3. IIFE包装必须 — 多次browser_console调用共享JS上下文，重复声明const会报SyntaxError。必须用(function(){...})()包装。
4. 评论正文被截断 — Amazon使用a-cardui-deck组件包裹评论，需从[data-hook="reviewText"]提取并清理模板文字（Brief content visible.../Read moreRead less）。
5. histogram链接解析 — 评分分布最可靠来源是a[href*="acr_dp_hist"]链接文本，不是histogramTable（可能为空）。
6. 评论数量有限 — 产品页面通常只显示8-11条评论。如需更多，需在浏览器中翻页（但评论页需登录）。可补充web_search获取第三方评论摘要。
7. 浏览器console多次调用 — 每次调用都在同一JS上下文，避免全局变量污染。始终用IIFE。
8. openpyxl需要安装 — 如果环境没有，需pip install openpyxl。
9. 中文输出 — 用户偏好中文，所有分析文本用中文，评论原文保留英文。
10. 多语言评论 — Amazon.com包含西语/葡语/阿拉伯语等非英语评论，关键词提取时过滤非ASCII词。
11. 差评率趋势 — 评论日期格式不统一，需用正则on\s+(\w+)\s+\d+,\s*(\d{4})提取月份。
12. HTML文件体积 — 如果评论数据量大，HTML内嵌JSON可能超过1MB，注意飞书上传限制。
13. Feishu文件发送 — send_message工具在Feishu上下文中不可靠（会报"no home channel"错误）。必须用MEDIA路径写在回复文本中，系统自动上传为飞书附件。
14. Dinzee上传 — curl方式最稳定，从未失败。命名用 review-analysis-{ASIN1}-{ASIN2}.html 格式。Excel(.xlsx)可直接上传。
15. 停用词扩展 — set/pack/first/second/third 应加入停用词表，过滤包装量词噪声（如"18 Pack"、"6-Piece"）。

References

• references/amazon-dom-selectors.md — Amazon评论DOM选择器备忘录 + Anti-Bot工作区 + 评分分布提取逻辑
• references/excel-generation-pattern.md — openpyxl Excel生成标准模式，7个工作表结构+颜色编码
• references/nlp-analysis-constants.md — NLP分析常量：停用词表、11维痛点分类、场景关键词、满意度映射
• templates/chartjs-review-report.html — Chart.js交互式HTML报告模板，7种图表类型+CSS卡片样式