¿Puede una exportación pública de comentarios de LinkedIn representar toda la conversación?

Cómo entender los límites de la recogida

Para evaluar una exportación con exactitud, debe entender cuatro términos centrales:

• Comentario de nivel superior: un comentario directo publicado en un artículo principal o en el feed de actualizaciones.
• Cadena de respuestas: una respuesta anidada publicada bajo un comentario de nivel superior ya existente.
• Actor: un programa alojado de recogida de datos que lee y extrae páginas web.
• Task: un conjunto guardado de entradas de la ejecución, configurado para un Actor de recogida.

Un Actor recoge datos públicos expuestos en una página web. Si una plataforma oculta las respuestas detrás de menús interactivos o exige iniciar sesión en una cuenta para mostrar la profundidad completa del hilo, esos elementos ocultos quedan fuera del alcance de una exportación pública de nivel superior.

Las claves del conjunto de datos incluyen postUrl, postUrn, commentId, commentUrl, text, authorUrl y observedAt. Estas claves son la evidencia de sus filas. El objeto de salida OUTPUT.inputResults contiene campos de resumen para cada elemento de entrada. Esos campos de resumen son status, statusReason, pageCommentCount, publicRowsOnPage, savedRows, isPublicPageComplete, isComplete y stopReason.

El campo de completitud isComplete describe este resultado concreto de la exportación, no si se cumplieron todos los límites de la Task. El campo isPublicPageComplete describe la extracción de las filas expuestas de la página, no una conversación completa. Los valores ausentes siguen siendo desconocidos. Si a una fila le falta commentId, consérvela como una observación separada sin resolver. Nunca haga una fusión de registros con identificador en blanco.

Método paso a paso para verificar la cobertura de la exportación

Siga estos siete pasos para evaluar si una exportación pública de comentarios cubre lo que necesita su investigación.

1. Nombre su métrica objetivo. Decida si necesita filas de nivel superior recogidas, filas expuestas de la página pública, un hilo completo con respuestas o un recuento de personas distintas que comentaron.
2. Mantenga los datos de salida agrupados por publicación. Guarde las claves de resumen de cada publicación junto con las filas recogidas de su conjunto de datos. No mezcle métricas de publicaciones distintas en la misma ejecución.
3. Verifique primero el estado de la entrada. Si un estado de entrada muestra un fallo o un bloqueo, no lo registre como una publicación con cero comentarios. Marque su recuento como desconocido.
4. Compare las filas guardadas con las reglas de parada. Compruebe si stopReason es igual a max_comments_reached. Un tope numérico detiene la recogida antes de tiempo aunque la página tenga más comentarios visibles.
5. Compare publicRowsOnPage e isPublicPageComplete con pageCommentCount según sus definiciones exactas. La completitud de la página pública describe la extracción de las filas expuestas de la página de origen. La completitud de la exportación describe la recogida resultante. Ninguno de los dos campos convierte una muestra de nivel superior en un árbol completo de respuestas.
6. Arme un registro de cobertura. Cree una tabla con una fila por publicación. Asigne a cada elemento una decisión en texto plano según su estado y sus límites.
7. Elija un origen autorizado para los hilos completos. Si su proyecto necesita cadenas de respuestas completas, use una integración de cuenta autorizada o una herramienta de API oficial.

La entrada predeterminada actual de la Task usa collectAllAvailable con el valor true y sin tope numérico. Para una primera comprobación acotada, cambie collectAllAvailable a false y establezca maxComments en 3. Mantenga includeAuthorDetails en false.

Este es un ejemplo válido de configuración JSON en texto plano que usa la entrada actual guardada de la Task, tomada de https://www.linkedin.com/posts/timferriss_how-to-become-dramatically-more-productive-activity-7386884213343428608-wrF3. Reemplace toda la cadena de la URL por el enlace público conocido de su publicación:

{
  "startUrls": [
    "https://www.linkedin.com/posts/timferriss_how-to-become-dramatically-more-productive-activity-7386884213343428608-wrF3"
  ],
  "collectAllAvailable": false,
  "maxComments": 3,
  "includeAuthorDetails": false
}

Una ejecución de control comprobada que muestra 3 filas guardadas, 4 filas públicas expuestas, 4 comentarios mostrados, isPublicPageComplete igual a true, isComplete igual a false y stopReason igual a max_comments_reached demuestra solo una recogida acotada, no hilos completos de la conversación.

Tres valores de origen son inventados para la demostración. Tres publicaciones comparten el mismo momento de observación ficticio:

• P1: pageCommentCount 12, publicRowsOnPage 6, savedRows 3, isPublicPageComplete true, isComplete false, stopReason max_comments_reached. El estado es partial. statusReason indica que el tope numérico detuvo esta exportación. La decisión es una muestra pública de nivel superior con tope; un tope mayor puede guardar más filas expuestas, pero no garantiza ningún recuento de lo restante. La razón numérica de 3 dividido por 12, de 25 por ciento, es solo una razón numérica entre unidades distintas, no el 25 por ciento de todas las personas distintas ni una recuperación demostrada de la conversación.
• P2: pageCommentCount 20, publicRowsOnPage 5, savedRows 5, isPublicPageComplete true, isComplete true, stopReason página pública agotada, en una descripción ordinaria para el lector. El estado es ok. statusReason describe que la extracción de la página pública se agotó. La decisión es una muestra aceptada de la página expuesta, no una conversación completa de 20 comentarios. La diferencia de 15 elementos tiene una causa no demostrada y no se afirma que sean respuestas ocultas.
• P3: todos los recuentos son desconocidos, el resultado del origen es failed, el estado es failed y statusReason es error de red. La decisión es recogida desconocida; no hay un informe de cero comentarios ni un denominador.

Registro ficticio

El registro separa la diferencia por tope numérico de P1, la diferencia por alcance del origen de P2 y la comprobación fallida de P3. El total de filas guardadas aceptadas es 3 más 5, lo que da 8 observaciones. P3 sigue desconocido y no se suma como cero. El lector puede usar 8 filas observadas para un estudio declarado de muestra pública. No puede afirmar 8 de 32 personas ni 8 de todos los comentarios. Si más adelante P1 guarda 6 filas con un tope mayor, conserve una segunda instantánea y deduplique solo con identidades de comentario comprobadas antes de combinar las observaciones.