Chronometrica 与 Clockworks：选择可核验的 TikTok 评论数据集

先确定需要研究的帖子列表

一位研究者曾提问：“如何获取 TikTok 的全部评论数据？”帖子描述了一种可以采集顶层评论、却无法展开更多回复的工具。因此，采集回复确实是这项需求的一部分。“全部”表达的是期望结果，并不能证明采集工具实际能返回哪些数据。公开研究提问。

顶层评论直接回应帖子。回复则发生在评论串内部。如果你要研究讨论内容，只采集顶层评论可能会遗漏你想研究的交流。

但仅凭是否支持回复，无法决定如何选择。先确认你是否已经知道要采集哪些帖子。固定列表可以明确输入范围。你可以逐行核对采集数据是否属于指定帖子。

如果你从个人主页开始，筛选视频就是采集任务的一部分。Clockworks 的文档说明，它支持根据个人主页用户名扩展出视频列表。这种输入流程可能在评论核验开始之前，就改变你的选择。Clockworks 公开规格说明。

比较输出字段之前，先记录这个起点。“采集这些帖子的评论”和“采集通过这些个人主页找到的视频的评论”，是不同的采集请求。

根据文档比较适用场景

Chronometrica 的文档说明，它会严格核验数据是否属于指定帖子，并在整次运行范围内按评论 ID 去重。去重是指同一个评论 ID 即使被多次获取，也不会被当作多条独立评论验收。文档还说明，回复会单独成行，每个帖子的汇总会区分达到上限和来源已无更多可采数据的情况。这些功能适合需要仔细核验的固定帖子列表。Chronometrica 公开规格说明。

此表概括了已核查的规格说明。它没有对速度或实测准确性进行排名。Chronometrica 公开规格说明、Clockworks 公开规格说明、Clockworks 输入参数定义。

Chronometrica 的文档还说明，它支持采集公开视频帖子和照片／轮播帖子的评论。回复字段包括 `parentCommentId`、`replyToCommentId`、`isReply`、`replyDepth` 和 `replyCount`。这些字段有助于保留评论串结构，但不能证明评论串的每个部分都可获取。Chronometrica 公开规格说明。

本文比较的是文档所述功能与需求的匹配程度。表中未列出某项功能，不代表产品没有该功能。本文所获材料中，没有受控运行结果可以证明任何一方在准确性或可靠性上占优。本文也不比较价格：已保存的 Clockworks Store 页面顶部与 README 中的定价信息不一致。Clockworks Store 页面与 README。

分别设置评论和回复上限

上限是你要求采集任务在指定范围内最多返回的数量。它不是承诺返回的数据行数。

在 Chronometrica 中，`maxCommentsPerVideo` 设置顶层评论上限，范围为 1 至 1,000。`includeReplies` 开关控制是否采集回复。启用回复采集后，`maxRepliesPerComment` 单独设置每条评论的回复上限，范围为 1 至 100。Chronometrica 输入参数定义。

规划数据集规模时，必须注意这两个上限分开设置。如果你请求 3 条顶层评论，同时请求回复，结果可能超过 3 行。实际结果也可能少于所设上限允许的数量。

以下配置示例采用文档规定的字段，数值也在有效范围内。其中的公开 URL 仅用于展示输入格式。使用前，请将其替换为与你的研究相关的公开帖子。

{
  "startUrls": [
    "https://www.tiktok.com/@zachking/video/7631200623693729038"
  ],
  "maxCommentsPerVideo": 3,
  "includeReplies": true,
  "maxRepliesPerComment": 2
}

按这些设置，3 条顶层评论各自可能采集到 2 条回复。这个简单案例的可能数据量为 3 行顶层评论加 6 行回复，共 9 行。这是规划计算，不是预期结果。可获取的评论和回复可能使任一数量低于对应上限。

Task 是已保存的输入预设。已核查的 TikTok 评论与回复导出 Task 提供了一个公开的起点。使用前，请检查其输入是否适合你的研究。

先设置较小的上限，确保你能完整检查这批数据。了解输出及其限制后，再提高上限。

保留足够的信息，以便逐行核验

要得到可核验的数据集，仅有评论文本还不够。你需要将每行数据关联到其来源，并在适用时关联到父评论。

将最初指定的帖子列表与导出数据一起保存。保留输入标识、返回的帖子标识、评论 ID，以及可获取的回复关联。指定列表记录你请求了哪些帖子。数据行中的标识则让你能够核验实际验收了哪些数据。

如果数据提供了稳定的帖子 ID，就用它核验数据行是否属于指定帖子。核验的问题很简单：这一行是否属于某个指定帖子？相似的帖子说明文字或创作者姓名不能回答这个问题。

评论 ID 用于识别评论并检查重复。应在整次运行范围内比较 ID，而不只是分别检查各个导出文件。将一批采集数据拆分成多个文件，不应让同一评论的重复记录变成额外验收的评论。

导出时保留文档规定的回复字段。使用 `isReply` 区分数据行类型，并通过可获取的父评论关联保留关系。将 `replyDepth` 和 `replyCount` 保留为来源上下文。不要把回复数当作已采集到同等数量回复行的证明。Chronometrica 输出规格说明。

如果必需的标识或关系值缺失，就保留缺失状态。不要用 0 替代，也不要根据相邻文本推断父评论。如果缺失值使你无法完成所需核验，请将该行标记为待复核。

核对采集数据行与运行汇总是否一致

核对是指检查数量与记录是否一致。计算最终数据集总数之前，先阅读实际的运行汇总。

Chronometrica 的文档说明，汇总会区分达到上限和来源已无更多可采数据的情况。请使用返回汇总中的标签及其定义。不要为了配合报告，自行编造字段并将其当作产品原有的汇总字段。“来源已无更多可采数据”的标签也不能证明已完整归档该帖子的评论历史。Chronometrica 公开规格说明。

使用以下简短的核验方法：

1. 保存指定帖子的 ID 和采集设置。
2. 阅读每个帖子的文档所述汇总和停止条件。
3. 根据指定帖子列表逐行核验。
4. 在整次运行范围内检查评论 ID 是否重复出现。
5. 分别统计验收通过的顶层评论行和回复行。
6. 将验收总数与导出数据及汇总进行比较。
7. 记录所有无法解释的差异。

为这些决定保留一份由你自行维护的核验记录。这是你自己的记录，不是 Actor 输出字段。它可以列出导入的观测记录数、被剔除的观测记录、验收通过的唯一数据行，以及尚未完成的核验。

观测记录是导入文件中某条数据的一次出现。唯一评论则是完成所需核验后识别出的不重复评论。这两个概念不应共用一个总数。如果数量不同，应同时保留两个数值并说明原因。

还应按帖子保留结果。批次总数可能掩盖某个尚未复核的帖子。分别记录每个帖子的总数，可以看出哪些帖子达到了上限，或哪些帖子的必需核验仍未完成。

用一个含 8 条观测记录的虚构文件练习

以下练习为虚构示例。它演示读者如何自行核验，不是这两个 Actor 当前版本的输出，也不是基准测试或客户结果。

假设导入文件中有 8 条观测记录。其中 2 条的评论 ID 与此前出现的 ID 重复。另有 1 条属于指定列表之外的帖子。剔除这 3 条观测记录后，剩下 5 行验收通过的唯一数据：

`8 − 2 − 1 = 5 accepted unique rows`

这 5 行中，3 行是顶层评论，2 行是回复。验收通过的回复占比如下：

`2 ÷ 5 × 100 = 40% of accepted rows`

分母很重要。40% 描述的是完成上述核验后，验收通过的文件中的比例。它不代表来源帖子上的全部评论，不代表回复人数占总人数的比例，也不代表本次采集到的回复占全部可用回复的比例。

8 条观测记录的总数说明你导入了多少记录。5 行的总数说明有多少唯一数据行通过了核验。3 行顶层评论与 2 行回复的划分说明了验收数据的行类型。每个数字都有不同用途。

在适当情况下，将被剔除的观测记录及剔除原因保存在核验记录中。这样，其他复核者就能核查计算过程，同时不会将被剔除的数据行算入验收通过的数据集。

这个示例说明了标识核验和重复检查为何重要。它不表示这两个 Actor 的当前版本产生过这些虚构问题。如果你要采集固定列表中的帖子，Chronometrica 文档列出的这些核验功能，就是值得进一步查看其规格说明的理由。Chronometrica 公开规格说明。

保留回复上下文，不自行填补缺失信息

使用可获取的关联，将验收通过的回复归到各自的父评论之下。这样既能让数据集用于评论串复核，也能清楚保留来源关系。

检查每条被引用的父评论是否存在于验收通过的数据行中。如果存在，保留关联。如果不存在，保留引用，并将上下文标记为尚未确认。父评论缺失本身不能说明缺失原因。

不要把回复关联到电子表格中距离最近的数据行。行顺序不能代替父评论关联。也不要根据回复推断缺失父评论的文本。

验收通过的回复仍可能缺少完整上下文。后续分析时，应明确保留这一区别。例如，你可以将某条回复计为 1 行，但仍缺少足够的上下文来解释整段交流。

如果之后要为定性编码准备数据，请将这些核验记录与导出数据一起保留。TikTok 评论用于 NVivo 的指南 介绍了下一阶段。本文关注的选择依据是帖子筛选、回复结构和批次总数。

扩大采集前，先说明数据集范围

一份有用的报告应说明验收文件包含什么，以及采集请求允许获取什么。请列出指定帖子、采集设置、验收通过的唯一数据行数、顶层评论数、回复数，以及尚未确认的上下文。

将实际观测总数与配置上限分开记录。上限描述采集请求。验收数量描述核验后的文件。这两个数值不能相互替代。

对于上述虚构练习，可以清楚地表述为：“核验后的文件包含来自指定帖子的 5 行验收通过的唯一数据：3 条顶层评论和 2 条回复。”再补充相关设置和已记录的停止条件。不要将其改写为这些帖子总共只有 5 条评论。

如果某项必需核验尚未完成，也应说明。未知值应保持未知。0 表示测得的数量为 0，不应代表数量缺失。

只有当小规模采集提供了可用的标识、明确的数据行类型，以及足以回答研究问题的评论串上下文后，才应扩大采集。如果某项必需关系仍未确认，请判断你的分析是否仍能使用该行。采集更多数据之前，先记录这个决定。