
抖音一级和二级评论采集这件事,我最早栽的跟头特别典型。当时手里有一批视频ID,想着评论嘛,一个接口传aweme_id进去,正文、作者、点赞数应该一把全回来了。数据确实回来了,一级评论整整齐齐,每条下面还挂着reply_count字段。我挺高兴,把数据导进表里做词频,跑完之后总觉得哪里不对——回复的条数比我预想的少得多。挑了一条争议视频去对,页面上那条热评底下几十条你来我往的讨论,接口只给了我一个reply_count数字,回复内容一条都没有。对着文档翻到半夜才看明白:抖音的评论是两层结构,一级评论接口只给你“一楼大厅”,楼中楼得拿每条一级评论的comment_id,去调独立的回复接口才能拉出来。我拿一层的接口当全量用了,漏掉的那部分,才是评论区里真正在对话的人。
先搞清楚这两层评论到底差在哪
抖音的评论系统是“盖楼模式”,结构上就两层,没有更深的嵌套。所有直接针对视频发表的评论是一级评论,也叫根评论,用户点开某条一级评论下方的“查看回复”看到的全部内容,都属于二级评论。
两层的信息价值完全不一样。一级评论往往是情绪表态——“好看”“支持”“踩雷了”,信息密度不高。真正的购买追问、产品细节、竞品对比,大多藏在二级回复里。用户在一级评论下问“敏感肌能用吗”,回复区才有人接“我用了没事,但我朋友泛红了”。只抓一级,你拿到的是散落的观点;把二级也拉回来,才拼得出完整的讨论树。
对应到接口侧,情况更清楚。抖音为二级评论提供了独立的接口地址,核心参数就是一级评论的comment_id。一级评论接口用aweme_id(视频ID)作为起点,返回每条评论的comment_id和reply_count;二级回复接口拿这个comment_id去换楼中楼的内容。两个端点,两套分页,缺了任何一步,数据就是残的。
采集链路:三步走,一步都不能省
完整的采集链路其实很直白,但每一步都有它的脾气。
第一步,用视频ID拉一级评论。 传aweme_id进去,返回的是根评论列表,字段包括正文、作者昵称、点赞数、发布时间,以及最关键的comment_id和reply_count。reply_count告诉你这条评论底下挂了多少条回复,如果它是0,这条就不用往下钻了。
第二步,遍历一级评论,筛出有回复的。 不是每条一级评论都值得调一次回复接口,reply_count为0的直接跳过,能省掉大量无效调用。有回复的,把它的comment_id记下来,丢进任务队列。
第三步,用comment_id拉二级回复。 把一级评论的ID传给回复接口,楼中楼的正文、作者、点赞数、发布时间就都回来了。这一步还有一个容易忽略的字段:reply_to_reply_id。它标识的是这条回复具体在回复谁,没有这个字段,一堆回复文本摆在一起你分不清谁在跟谁说话。Apify的数据结构里专门保留了parent comment id和reply to reply id两列,线程根评论和嵌套目标评论是分开记录的,讨论树才能被精确还原。
cursor 的坑:原样回传,别自己拼
分页这件事,抖音用的是游标,不是页码。官方文档写得很清楚,cursor是分页游标,第一页传0,响应里返回下一页要用的cursor,同时返回has_more表明还有没有更多数据。
我最早的习惯性写法是cursor=1、cursor=2去翻页,结果数据永远停在第一页。后来改成把响应里的next_cursor原样塞回下一次请求,才翻得动。抖音的cursor是服务端持有的状态,不是让你推算的索引。有人把cursor改成固定值硬翻,结果返回的数据全乱套,有些评论重复出现,有些直接跳过。
二级回复的分页又是另一套游标,和一级评论的cursor各管各的,不能混用。一级翻页用一级的next_cursor,二级翻页用二级响应里的next_cursor,串了就丢数据。
那个没人告诉你的硬限制:一级评论最多900条
这是踩得最深的一脚,也是很多人做到一半才发现的事情。抖音的API对一级评论设置了cursor=900的硬限制,不管你换什么参数、加多长的请求间隔、用哪个浏览器,翻到cursor=900就停了。有人实测过,无论怎么调整,最多只能拿到901条一级评论,这是服务端的限制,不是客户端的问题。
这意味着什么?一条爆款视频如果有几千条评论,你能拿到的只是前面那900条。 做舆情分析或者选品调研的时候,如果你的目标视频评论量很大,这个限制会直接影响样本的完整性。官方开放平台的那条路需要申请权限和OAuth授权,能绕过这个限制,但门槛摆在那里,不是谁都能走的。
去重不是可选项,是必选项
批量跑的时候,重复数据几乎是必然会出现的。翻页重试、平台排序变化、任务中断重跑,都会把同一条评论塞进来两次。
去重的正确姿势是按comment_id判重,不是按文本,也不是按user_id。按文本去重,用户发相同内容多次、或者带空格换行差异的,会被误删;按user_id去重,不同人发的相同评论又会被漏掉。comment_id是平台给每条评论的唯一标识,拿它做主键最稳。两级评论各自有自己的ID,一级和二级的ID体系不要混着用。
自己搭链路,成本花在哪儿
单条视频跑通之后,真正的麻烦在批量。几十上百条视频,每篇都要走“一级翻页→筛出有回复的→二级翻页”的链路,cursor、has_more、reply_count、去重、进度追踪全得自己兜。二级回复的请求数大致等于“有回复的一级评论条数”,一条热门视频如果有两三百条带回复的评论,就是两三百次额外调用,一次都省不掉。
极致了数据在抖音评论这块把两级采集封装成了一个服务。传视频ID进去,系统自动拉一级评论并逐条判断reply_count,有回复的自动调二级接口补齐,返回的JSON里每条一级评论下面挂着它对应的回复列表,comment_id和reply_to_reply_id都在,讨论树的父子关系直接成立,不用你自己去拼。cursor分页和去重逻辑接口自己处理,批量提交多个视频ID、多并发拉取也支持。他们的抖音API覆盖17个数据方向,评论是其中一块核心能力,一级和二级都能拿。
接入方式按手里的牌选。有技术团队直接对接API,注册拿密钥,传aweme_id和comment_id,返回结构化JSON,联调一两天能跑通;不想写代码的用飞书「多平台数据采集助手」插件,输入视频链接,勾选评论和回复字段,数据自动进多维表格,定时更新也能设;完全不想碰技术的,联系客服定制,告诉对方要采哪些视频、要不要楼中楼、什么频率,直接交付数据表。具体字段和调用方式可以到 https://www.jzl.com 看。
合规这条线还是老规矩。公开可见的评论内容可以采,做内部分析用,用户ID脱敏处理,别拿采集结果去反推平台不公开的数据。评论区描述的是真实的人,个人信息的最小必要原则不是可选项。
总结
抖音一级和二级评论采集的核心就一句话:一级评论接口只给一层,楼中楼得拿comment_id去第二个端点单独拉。链路是三步:aweme_id拉一级评论,筛出reply_count大于0的,用comment_id换二级回复。cursor原样回传,别自己拼数字,两级的游标不能混用。去重按comment_id,不按文本不按用户。一级评论有cursor=900的硬限制,爆款视频的深层评论拿不全,官方开放平台能绕过去但需要申请和授权。自己搭链路的话,两级分页和去重的工作量不小,极致了数据这边把两级采集封装在一个服务里,API、飞书插件、客服定制三条路按团队情况挑。先把“回复是第二层、得单独拉”这件事记清楚,再谈数据怎么用。
