Make
(Robotic Process Automation, RPA)

📌 Dcard 社群分析完整執行流程規劃

目標： 分析大學生對特定主題的討論趨勢與情感，並以 RPA（Make）+ AI（Google NLP）+ Looker Studio 進行自動化分析與視覺化。

🛠️ 方案規劃

1. • 1. 爬取 Dcard 貼文

        • 工具：Apify, Octoparse, ParseHub, Web Scraper

        • 方案 1：Apify（Make 自動觸發）

        • 方案 2：Octoparse / ParseHub（手動或定時執行）

        • 方案 3：Web Scraper（手動執行）

     2. 存入 Google Sheets

        • 工具：Google Sheets

        • 方案：Make API 直接存入

     3. 進行情感分析

        • 工具：Google NLP API

        • 方案：Make 自動分析

     4. 視覺化分析

        • 工具：Looker Studio

        • 方案：自動連接 Google Sheets

🔹 1. 爬取 Dcard 文章

💡 4 種方案選擇，根據需求挑選適合的爬取方式

🔸 選項 1：Apify（完全自動）

1. • 1. 註冊 Apify，在「Actors」搜尋 「Web Scraper」（Apify 內建爬蟲工具）

     2. 設定爬取目標

        • 設定 Dcard 版面 URL（如 https://www.dcard.tw/f/university）

        • 設定 爬取標題、內文、發文時間

     3. 在 Make 設定 API 觸發

        • 使用 「HTTP」模組 定期請求 Apify API
          Method: POST
          URL: https://api.apify.com/v2/actor-runs?token=你的Apify API Key
          Body：
          {
            "actorId": "Apify Web Scraper 的 ID",
            "input": {
              "startUrls": [{"url": "https://www.dcard.tw/f/university"}],
              "maxPagesPerCrawl": 5
            }
          }

        • 在 Make 新增「HTTP」模組 → GET 請求
          URL: https://api.apify.com/v2/datasets/你的DatasetID/items?token=你的Apify API Key
          Method: GET
          解析 API 回應（JSON 格式）

        • 新增「Google Sheets」模組 → Add Row
          標題：爬取的文章標題
          內文：爬取的文章內容
          發文時間：文章發布日期

🔸 選項 2：Octoparse（半自動）

1. 下載 Octoparse

2. 建立爬取任務

   • 選擇 Dcard 版面

   • 手動選擇 標題、內文、時間

   • 設定 每次爬取 50 篇

3. 執行爬取並匯出 Google Sheets

4. Make 監控 Google Sheets，觸發 NLP 分析

🔸 選項 3：ParseHub（半自動，適合動態網站）

1. 下載 ParseHub

2. 建立專案

   • 手動選取 標題、內文、時間

3. 執行爬取並匯出 Google Sheets

4. Make 監控 Google Sheets，進行 NLP 分析

🔸 選項 4：Web Scraper（手動）

1. • 1. 安裝 Chrome 擴充 Web Scraper

     2. 手動設定爬取規則

        • 選擇 標題、內文、時間

        • 設定 每頁 20 篇

     3. 將結果匯出 Google Sheets

     4. Make 監控 Google Sheets，進行 NLP 分析

🔹 2. 存入 Google Sheets

✅ Apify、Octoparse、ParseHub 都可以直接匯出 Google Sheets
✅ 若用 Web Scraper，需手動匯出 CSV，再上傳 Google Sheets

📌 在 Make 設定「Google Sheets」模組

1. 建立 Google Sheets

   • 欄位：標題 | 內文 | 發文時間

2. Make 設定「Watch Rows」

   • 當有新數據時觸發 NLP 分析

🔹 3. 進行情感分析（Google NLP API）

1. • 1. 開啟 Google Cloud NLP API

        • Google Cloud Console

        • 啟用 Natural Language API

     2. Make 設定 HTTP 模組

        • 發送 POST 請求到 https://language.googleapis.com/v1/documents:analyzeSentiment?key=你的API_KEY

        • Headers：
          {
            "Content-Type": "application/json"
          }

        • Body：
          {
            "document": {
              "type": "PLAIN_TEXT",
              "language": "zh",
              "content": "{{來自 Google Sheets 的 Dcard 文章內容}}"
            },
            "encodingType": "UTF8"
          }

     3. Make 解析回應

        • API 會回傳數據：
          {
            "documentSentiment": {
              "magnitude": 2.5,
              "score": -0.8
            }
          }

        • score（score > 0.5 → 正向 😊、score < -0.5 → 負向 😡、-0.5 <= score <= 0.5 → 中性 😐）

        • magnitude（情感強度）

     4. 存入 Google Sheets

        • 新增「情感分數」欄位

     5. Google NLP 也能做 關鍵字分析（Entity Analysis）可以自動找出文章中最重要的詞

        • 提取關鍵字：例如想知道學生最關心的話題「宿舍」和「學費」
          {
            "entities": [
              {"name": "宿舍", "salience": 0.8},
              {"name": "學費", "salience": 0.6}
            ]
          }

        • Make 設定 Router：
          若關鍵字包含「宿舍」，則標記為 住宿問題
          若關鍵字包含「學費」，則標記為 經濟問題

🔹 4. 視覺化分析（Looker Studio）

1. • 1. 建立 Google Sheets 連結

        • 選擇 Dcard 數據表

        • 設定可視化方式（折線圖、詞雲、熱度分析）

     2. 設計儀表板

情感趨勢圖

• X 軸： 時間（每月貼文數）

• Y 軸： 正向 vs. 負向評價比例

關鍵字雲圖

• 顯示高頻詞（「學費」、「教授」、「宿舍」等）

不同類別的評價趨勢

• 「課程內容」→ 60% 正向

• 「師資」→ 70% 正向

• 「宿舍」→ 80% 負向

📌 方案比較

1. 1. 1. Apify + Make：✅ 全自動、❌ 需 API 設定、大規模、免費（有限額度）

      2. Octoparse + Make：🟡 半自動、✅ 無需寫程式、中小規模、免費版有限制

      3. ParseHub + Make：🟡 半自動、✅ 無需寫程式、動態網站適用、免費版有限制

      4. Web Scraper + Google Sheets：❌ 手動、✅ 無需寫程式、一次性爬取、完全免費

🎯 結論

1. 1. 1. 如果要長期自動化分析 → 選 Apify + Make（但有免費額度限制）

      2. 如果是一次性研究 → 選 Web Scraper + Google Sheets（完全免費）

      3. 如果想低成本又簡單操作 → 選 Octoparse + Make（手動但直覺）

📌 Google Cloud Natural Language API 的啟用與使用詳解

Google Cloud Natural Language API（簡稱 GCP NLP API）是 Google 提供的 自然語言處理（NLP） 服務，支援 情感分析（Sentiment Analysis）、關鍵字提取（Entity Analysis）、語法解析（Syntax Analysis） 等功能。

對於 中文情感分析，它可以直接使用 內建的模型，無須額外訓練，適合應用於客服回饋、輿情分析等場景。不過，對於較 短的文字（如一句話的評論），判讀結果可能會稍微不準確，需要一些額外的處理。

🛠️ 步驟 1：啟用 Google Cloud Natural Language API

要使用 Google Cloud NLP API，需要先開通 API 服務，這個步驟需要 Google Cloud 帳戶。

🔹 1. 註冊 Google Cloud 並開啟 API

1. 登入 Google Cloud Console → https://console.cloud.google.com/

2. 建立新專案（或使用現有專案）

   • 進入 "選擇專案"

   • 點擊 "建立專案"

   • 設定專案名稱，例如 RPA-Sentiment-Analysis

   • 點擊 "建立"

3. 啟用 API

   • 在 API & 服務 → 「啟用 API 和服務」

   • 搜尋 "Natural Language API"，點擊「啟用」

4. 建立 API 金鑰

   • 進入 "API & 服務" → "憑證"

   • 點擊「建立憑證」 → 「API 金鑰」

   • 複製 API Key（稍後會用到）

🔹 （可選）設定 API 限制

• 限制 API 只能用於特定 IP，避免金鑰被濫用。

• 設置免費使用額度（每月 5000 次免費請求）。

🛠️ 步驟 2：測試 NLP API（用 Postman 或 cURL 測試）

你可以先用 Postman 或 cURL 測試 API，確保它能正常工作。

🔹 測試範例（用 cURL）

curl -X POST \
  "https://language.googleapis.com/v1/documents:analyzeSentiment?key=你的API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "document": {
      "type": "PLAIN_TEXT",
      "language": "zh",
      "content": "這次服務真的很差，我等了很久！"
    },
    "encodingType": "UTF8"
  }'

🔹 回應結果（JSON 格式）

{
  "documentSentiment": {
    "magnitude": 2.1,
    "score": -0.9
  }
}

• score（情感分數）：範圍 -1（負向）～ 1（正向）

• magnitude（情感強度）：表示情緒強烈程度（越高表示情感越強烈）

✅ 範例結果解釋

• "score": -0.9 → 這是一個 強烈的負面評論

• "magnitude": 2.1 → 這條評論的情緒表達強度很高

🛠️ 步驟 3：在 Make（Integromat）整合 NLP API

🔹 1. 在 Make 設定 HTTP 請求（略）

🔹 2. 設定 Router進行條件判斷（略）

🔍 Google NLP API 對中文的判讀能力如何？

🔹 優點

1. 1. 1. 1. 內建對繁體與簡體中文的支援（不需訓練）

         2. 能處理長文本（比 OpenAI 更適合大段落分析）

         3. 適合高並發應用（如客服、社群監控）

🔹 限制

1. • 1. 1. 短文本可能判讀不準

           • 例如「可以」或「不錯」可能被視為中性

           • 需結合 關鍵字規則 改善準確度

        2. 不能判讀諷刺語氣

           • 「這次修理真的超快啊😡」→ 可能被誤認為正向

           • 可額外使用 AI 模型（如 OpenAI GPT） 處理

🎯 總結

✅ 不用額外訓練，直接使用 API
✅ Make 可透過 HTTP 模組輕鬆串接
✅ 適合中長文本分析，短文本需要調整策略
✅ 可以與 Looker Studio 搭配，視覺化情感趨勢

📌 Make 如何串接 Looker Studio？

目前 Make 無法直接串接 Looker Studio，但可以透過 Google Sheets 作為中介 來實現數據自動更新。Looker Studio 可以直接連接 Google Sheets，當 Make 自動將爬取與分析後的數據存入 Sheets，Looker Studio 會即時更新視覺化結果。

🔹 串接流程

1️⃣ Make 自動將數據存入 Google Sheets

1. • 1. 設定 Make「Google Sheets」模組

        • 模組 1：Watch Rows（監控新數據）

        • 模組 2：Google NLP API（情感分析）

        • 模組 3：Add Row to a Spreadsheet（寫入 Google Sheets）

     2. 欄位設計

        • 標題：Dcard 貼文標題

        • 內文：Dcard 貼文內容

        • 時間：發文時間

        • 情感分數：Google NLP API 回傳的 score

        • 情感強度：Google NLP API 回傳的 magnitude

        • 關鍵字：Google NLP API 分析的主要詞彙

2️⃣ Looker Studio 連接 Google Sheets

1. • 1. 開啟 Looker Studio

     2. 新增資料來源

        • 選擇 Google Sheets

        • 連結 Make 自動更新的 Dcard 分析表

     3. 設計儀表板（後續詳述）

🔹 哪些圖表適合這個情境？

針對 Dcard 貼文的情感分析與關鍵字趨勢，可以規劃以下圖表：

📊 1. 貼文數量 & 討論趨勢（時間序列折線圖）

📌 目的：

• 顯示 不同時間點的貼文數量變化

• 分析 討論高峰期

📌 圖表設定

• X 軸：發文時間（日期/小時）

• Y 軸：貼文數量（計數）

📊 2. 貼文情感趨勢（折線圖 / 區域圖）

📌 目的：

• 分析正向 vs 負向 討論趨勢

• 找出爭議事件（負向情緒高峰）

📌 圖表設定

• X 軸：發文時間（日期/小時）

• Y 軸：平均情感分數（-1 ~ 1）

• 區分：情感類型（正向 / 負向）

📊 3. 常見關鍵字分析（詞雲 / 長條圖）

📌 目的：

• 找出 熱門話題

• 分析 討論焦點

📌 圖表設定

• 數據來源：Google NLP API 提取的 關鍵字

• 視覺化方式

  • 詞雲：以字體大小呈現熱門關鍵字

  • 長條圖：顯示關鍵字出現頻率

📊 4. 不同主題的情感分佈（堆疊長條圖）

📌 目的：

• 分析 不同話題的情感趨勢

• 找出 爭議性話題

📌 圖表設定

• X 軸：關鍵字（如「學校設備」、「課程品質」、「學生活動」）

• Y 軸：貼文數量

• 區分：情感類型（正向 / 負向）

📊 5. 貼文內容 & 情感強度分佈（氣泡圖）

📌 目的：

• 找出 影響力大的貼文

• 分析 高情感強度的內容

📌 圖表設定

• X 軸：發文時間

• Y 軸：情感強度（Magnitude）

• 氣泡大小：貼文互動數（可用爬取的「按讚 / 留言數」）

📊 6. 來源分佈（圓餅圖）

📌 目的：

• 分析 不同版面對該主題的討論量

• 找出 最關注該話題的版面

📌 圖表設定

• 類別：Dcard 版面（如「時事」、「感情」、「校園」）

• 數量：該版面的貼文數量佔比

🔹 視覺化儀表板的設計建議

1️⃣ 「總覽頁」

• 貼文總數

• 正負向貼文比例

• 熱門話題詞雲

• 近期情感趨勢折線圖

2️⃣ 「趨勢分析頁」

• 時間序列折線圖（貼文數 & 情感趨勢）

• 氣泡圖（影響力大的貼文）

3️⃣ 「關鍵字分析頁」

• 詞雲（熱門話題）

• 堆疊長條圖（不同主題的情感分佈）

4️⃣ 「來源分析頁」

• 圓餅圖（Dcard 各版面的討論量）

🚀 結論

1. • 1. Make 無法直接串接 Looker Studio，但可以透過 Google Sheets 作為中介

     2. Make 自動將數據存入 Google Sheets，Looker Studio 即時更新視覺化

     3. 適合的圖表類型：

        • 趨勢圖（討論量、情感變化）

        • 詞雲（熱門話題）

        • 堆疊圖（不同主題的情感分佈）

        • 氣泡圖（影響力貼文分析）

        • 圓餅圖（各版面討論量）