Chronometrica 与 Herus13 Instagram Comment Scraper 对比：哪款按顶层评论计数？

提出导出需求，并不等于定义了评论单位

读者的问题是如何导出 Instagram Reel 的评论。问题没有说明是否需要统计样本、回复分析，或特定数量的顶层评论。读者必须根据自己的工作作出这些选择。Reddit 原始问题

先明确导出数据要用于什么工作。你可能需要人们对 Reel 的直接回应、人与人之间的交流，或供日后审查的记录。即使用的是同一个 Reel URL，这些任务所需的数据行也可能不同。

行数上限规定了采集的数量限制。它没有说明采集工具会将哪些内容计入上限。如果你的工作需要100条顶层评论，只有明确哪些数据行会占用额度，设置为100才有用。

分母是计数所依据的单位。这里，关键的分母是计入上限的评论类型。请在采集前记录清楚。只写“上限：100”仍然含糊。写成“上限：每篇帖子100条不重复的顶层评论”，这个数字才有明确含义。

还要区分上限和目标。上限为100，表示最多允许采集100行符合条件的数据。它不保证来源中有100条可用评论，也不保证采集会返回这么多。

比较会影响选择的产品说明

Chronometrica 的公开输入说明使用 `postUrls` 接收公开帖子或 Reel 的 URL。`maxCommentsPerPost` 设置限制每篇帖子的不重复顶层评论数量，默认值为100。`repliesCount` 的值表示回复数量，不是回复文本。这些信息支持以顶层评论为单位的采集流程。Chronometrica 产品说明

下表区分了已核查的产品事实，以及你必须根据自身工作核查的事项。

产品依据：Chronometrica 和 Herus13。

Herus13 的文档还说明了失败记录行、扁平化 CSV 视图，以及仅访问公开内容的限制。采集结果可在采集后筛选。Herus13 产品说明

输出单位的范围更窄，并不能证明数据更完整。这些依据支持的是对采集范围的选择，不能证明哪款工具在速度、准确性、可靠性、覆盖范围或总成本方面更好。

筛选导出数据和设置采集上限是两项独立操作。后续筛选可以移除不需要的数据行。但筛选本身不会采集更多数据行来补足数量。将保留的数据用于分析前，请先检查其数量。

虚构示例：100行数据中的顶层评论可能不足100条

这是一个虚构示例。它不是测试、客户成果或实测数据集。

一名研究者想研究人们对某条 Reel 的直接回应。研究最多需要100条顶层评论。回复文本不在研究范围内，因为回复可能是在回应另一个人，而非直接回应 Reel。

假设导出结果包含以下数据行：

• 70条顶层评论。
• 30条回复。
• 总计100行。

算式没有错：70 + 30 = 100。但导出结果中的顶层评论是70条，不是100条。如果研究者移除回复，保留下来的数据就只有70行。

对于这个虚构任务，Chronometrica 声明的采集单位符合要求。采集上限和研究计数指的是同一类评论。这不意味着一次运行一定能找到100条评论，而是说所设上限的含义符合需求。Chronometrica 产品说明

现在换一个研究问题。研究者想了解人们如何相互回应。此时，回复文本以及回复与其父级评论之间的关联就成为必要信息。所需证据发生了变化，工具选择也必须随之改变。

不要用这个示例预测任何一款 Actor 的结果。70和30这两个数量仅用于说明：混合数据行的总数不能代替顶层评论的数量。

报告结果时，也要作出同样的区分。“我们保留了70条顶层评论”含义明确。“我们分析了100条评论”则可能掩盖原始导出结果与研究实际使用的数据行之间的差异。

采集前，用简短流程作出选择

你可以通过5项检查作出选择。将答案与采集笔记一起保存，让其他人也能理解这项决定。

1. 定义什么是合格的数据行。用1句话说明哪些数据应纳入数据集。例如：“1行合格数据是来自所选公开 Reel 的1条顶层评论。”如果工作需要纳入回复，就明确写出这一点。不要仅因某种数据行容易用工具采集，就选择它。
2. 确定来源列表。确认你是否已经有帖子或 Reel 的 URL。将选定的 URL 与采集记录一起保存。如果仍需从账号中发现帖子，请将发现帖子视为一项独立的输入需求。评论采集工具必须支持你计划使用的来源识别方式。
3. 检查上限的计数规则。阅读设置说明，不要只看设置名称。记录它是针对每篇帖子，还是针对整个采集任务。同时记录哪些类型的数据行会计入上限。将请求的上限与实际返回的数量分开记录。
4. 列出所需字段。字段是数据行中带有名称的值。你可能需要评论文本、来源引用，以及用于检查重复数据的标识符。讨论串分析可能还需要父级标识符。在假定某个字段存在之前，先检查当前输出文档。不要将回复数量当作回复文本的替代品。
5. 制定验收规则。确定在分析前如何检查结果。说明哪些数据行符合条件、如何处理重复数据，以及缺少哪些值会导致该行无法用于回答研究问题。保留被排除的数据行或其数量，以便解释最终数据集的构成。

这些检查能让工具选择始终围绕工作需求展开，也能避免仅因导出结果的总行数较大，就优先选择它。

如果某个必需字段尚未确认，请将其状态保留为未知。不要根据产品名称推断它支持某项功能。也不要因为简短的比较没有描述某项功能，就推断该功能不存在。请查阅当前产品说明，核实具体要求。

使用明确的输入启动 Chronometrica

对于顶层评论采集流程，已核查的最小输入结构如下：

{
  "postUrls": [
    "https://www.instagram.com/reel/DIwcCZgxVZP/"
  ],
  "maxCommentsPerPost": 100
}

将示例 URL 替换为你要采集的公开帖子或 Reel 的 URL。示例来源并不保证当前仍然可用。

所提供的输入已根据缓存的公开输入结构定义通过静态检查。结构定义规定了允许使用的输入字段和值。静态检查只验证输入结构，不采集评论。本比较没有执行采集运行。

已核查的结构定义要求 `postUrls` 至少包含1项。它将 `maxCommentsPerPost` 定义为1至999999之间的整数，默认值为100。启用移除结果上限的选项后，系统会忽略这一上限。如果你的工作依赖固定上限，请检查该选项。Chronometrica 输入说明

这个公开 Task 是一个实用的起始预设。页面检查确认页面已加载，且标题符合预期。该检查并未确认当前保存的输入。运行前，请应用并检查你要使用的值。Chronometrica Task

保存实际使用的输入。预设链接很有用，但仅凭链接无法说明某次采集究竟使用了哪些值。

将结果视为样本前，先进行检查

采集后，将返回的数据行与你制定的验收规则进行比较。将这项审查与后续文本分析分开进行。

1. 检查数据行的单位。确认保留的记录符合预定的评论类型。对于顶层评论研究，可用的回复数量能补充背景信息，但不会为数据集增加回复文本。

2. 分别记录请求数量和返回数量。你可能将上限设为100，但实际收到的合格数据行更少。请报告实际数量。仅凭结果数量较少，无法判断缺少数据行的原因，也无法判断采集工具是否获取了所有可用内容。

3. 如果有已确认的标识符，请用它们检查重复数据。文本重复不足以证明数据重复。2个人可能写出相同的文字。修改前，请保留原始导出结果，以便日后审查你的处理决定。

4. 保留缺失值。回复数量未知，不等于有0条回复。某个字段不可用，也不能证明相应事件没有发生。如果缺少必需值，请记录这一缺口，并判断该数据行是否仍能用于回答研究问题。

5. 检查结论的适用范围。设有上限的采集结果不会自动成为随机样本。不要假定采集的选择顺序，也不要声称保留的数据行能代表所有观看者。说明你如何选择来源，以及你对已采集数据有哪些了解。

实用的采集记录应包含来源 URL、采集日期、Actor、实际应用的输入、请求的上限、返回数量、保留数量，以及排除数据的原因。在整份记录中使用同一套数据行定义。

如需了解电子表格导入和更完整的记录步骤，请继续阅读为论文将公开 Instagram 评论导出到 Excel。该指南介绍的是选定 Actor 和采集单位之后的工作。