Jak zachytit rané signály trendů na TikToku: automatické monitorování výsledků vyhledávání

Obsahový tým si všimne nového tématu na TikToku, až když o něm mluví konkurence. Důvod bývá prostý: vyhledávání se kontroluje ručně a nepravidelně, nalezené odkazy zůstávají v chatu bez společné tabulky, data sběru a srovnatelných metrik. Chcete-li změny zachytit dříve, proměňte vyhledávání v opakovatelný proces: zaznamenávejte dotazy, pravidelně ukládejte nalezená videa a porovnávejte pouze pozorované výsledky.

Níže najdete schéma takového monitorování v Pythonu s TikTok Scraper API jsonscraper. Hodí se například agentuře, která sleduje několik tematických dotazů pro plán publikování, nebo značce, která chce zjistit, jaká veřejná videa na dané téma získávají výraznější počet zhlédnutí a reakcí. API vrací výsledky vyhledávání na TikToku včetně popisu videa, autora, data zveřejnění, odkazu a dostupných čítačů. Skript ukládá každou odpověď do archivu a vytváří snímek CSV pro analýzu.

Klíčovým principem je měřit změny ve vlastním deníku pozorování, nikoli abstraktní „trend“: která videa se objevila ve výběru, u kterých již známých videí se změnily veřejné čítače a které formulace se opakují v popisech. Tento přístup poskytuje obsahovému týmu ověřitelný seznam témat k ručnímu posouzení a zachovává původ každého závěru.

Proč se ruční vyhledávání mění v nedostatečné monitorování

Výsledky vyhledávání jsou proměnlivý výběr, nikoli stabilní katalog příspěvků. Když zaměstnanec dnes najde deset videí podle určitého slova a příští týden vyhledávání otevře znovu, výsledky se porovnávají obtížně: předchozí odkazy se mohly ztratit, výběr bude jiný a čítače mezitím získají nové hodnoty. Bez uložených snímků nelze zpětně zjistit, co přesně tým v konkrétní den viděl.

I jednoduchý každodenní sběr část tohoto problému řeší. U každého spuštění se uloží datum pozorování, hledaný výraz, identifikátor videa, autor, popis, odkaz a dostupné metriky. Při dalším spuštění lze záznamy spárovat podle ID videa a vypočítat rozdíl v hodnotách čítačů, pokud obě verze obsahují příslušná pole.

Tyto hodnoty je třeba chápat jako veřejné metriky videí zachycených v odpovědi API, nikoli jako celkový dosah TikToku nebo úplný žebříček popularity. Výsledky vyhledávání se mohou měnit, některá pole mohou chybět a metriky závisí na okamžiku sběru. Cílem datového toku je proto vytvořit reprodukovatelný pracovní výběr a odhalit kandidáty k ověření, nikoli prohlásit téma za univerzální trend na základě jediného čísla.

Schéma řešení: vyhledávání, archiv, porovnání

Datový tok se skládá z pěti částí: konfigurace klíčových slov, požadavku na API, neměnného archivu JSON, normalizované vrstvy záznamů a přehledu změn. Toto rozdělení umožňuje samostatně ověřit každý krok. Pokud se změní struktura odpovědi nebo některá pole chybí, původní JSON zůstane k dispozici pro opětovné zpracování.

1. Určete sadu dotazů. Používejte konkrétní fráze související s produktem, oborem nebo potřebami publika. Značka kuchyňských spotřebičů může například sledovat výrazy „meal prep“, „air fryer recipes“ a název konkrétní kategorie produktů. Seznam dotazů ukládejte do konfiguračního souboru, nikoli přímo do logiky zpracování.
2. Nastavte pravidla sběru. Zvolte harmonogram a pro pilotní provoz menší objem výsledků. Zaznamenejte datum, region a parametry vyhledávání. Při časovém porovnávání je důležitější opakovat nastavení než se snažit získat co nejširší odpověď při jediném spuštění.
3. Uchovávejte původní odpověď. Zapisujte JSON spolu s časem spuštění a hledaným výrazem. Archiv umožňuje obnovit původní záznam a opravit normalizaci bez dalšího volání API.
4. Normalizujte ověřená pole. Extrahujte pouze pole přítomná v odpovědi: ID, popisek, čas zveřejnění, autora, odkaz a dostupné statistické hodnoty. Chybějící hodnotu ponechte prázdnou, nenahrazujte ji nulou.
5. Porovnávejte snímky. Párujte videa podle ID a každé pozorování ukládejte samostatně. Poté lze vyhledat nové publikace v archivu a vypočítat rozdíl mezi pozorovanými hodnotami metrik.

Pro úvodní test zvolte dva až tři dotazy a menší počet výsledků. Ověřte, nakolik popisy a autoři odpovídají vašemu účelu, která pole se skutečně vracejí a jak se výběr opakuje při stejných podmínkách. Teprve potom má smysl rozšířit seznam výrazů a naplánovat pravidelné spouštění.

Co umožňuje vyžádat TikTok Scraper API

Podle oficiální dokumentace jsonscraper slouží trasa GET /searchVideo k vyhledávání videí podle klíčového slova. Povinným parametrem je keyword. Mezi dokumentované nepovinné parametry patří count, cursor, date_posted, sort_by, region a cache_timeout. Dokumentace pro date_posted uvádí hodnoty jako this-week a this-month a pro sort_by hodnoty relevance, most-liked a date-posted. Přesné názvy a účel parametrů najdete v přehledu tras TikTok API.

Základní adresa služby je https://tiktok.evelode.com; klíč se předává jako parametr dotazu license_key. V níže uvedeném příkladu je klíč uložen v proměnné prostředí JSONSCRAPER_TIKTOK_LICENSE_KEY. Díky tomu nemusí být tajný údaj přímo ve zdrojovém kódu a nezobrazí se v protokolu běhu.

Odpověď je třeba zpracovávat s ohledem na vnořenou strukturu. Nejprve zkontrolujte vnější hodnotu status a pak přejděte k objektu tiktok. Výsledky vyhledávání mohou mít dvě podoby: videa mohou být přímo v tiktok.aweme_list, případně v položkách tiktok.search_item_list uvnitř aweme_info. Může se stát, že aweme_list bude v odpovědi vyhledávání prázdný, přestože se videa nacházejí v search_item_list. Níže uvedený skript podporuje obě podoby.

V objektu videa dokumentace a ověřený příklad odpovědi uvádějí pole jako aweme_id, desc, create_time, share_url, informace o autorovi a objekt statistics. Statistiky mohou zahrnovat čítače zhlédnutí, lajků, komentářů a sdílení. Konkrétní sadu polí a jejich význam je třeba ověřit v každé odpovědi: kód nechává chybějící pole prázdná. Příklad trasy a její dokumentované parametry jsou dostupné v popisu TikTok Scraper API.

Praktický příklad v Pythonu

Příklad je určen pro Python 3.8 a novější a používá balíček requests. Nainstalujte jej příkazem python -m pip install requests. Uložte kód do souboru collect_tiktok.py, nastavte klíč v prostředí a spusťte skript s hledaným výrazem. Skript vytvoří adresář data, zapíše původní JSON a přidá normalizovaná pozorování do CSV.

import csv
import json
import os
import sys
from datetime import datetime, timezone
from pathlib import Path
from urllib.parse import urlparse

import requests

BASE_URL = "https://tiktok.evelode.com"
ARCHIVE = Path("data/raw")
OUT_CSV = Path("data/observations.csv")


def get_videos(tiktok):
    """Shromáždí videa z ověřených variant odpovědi searchVideo."""
    videos = []

    aweme_list = tiktok.get("aweme_list") or []
    if isinstance(aweme_list, list):
        videos.extend(item for item in aweme_list if isinstance(item, dict))

    search_items = tiktok.get("search_item_list") or []
    if isinstance(search_items, list):
        for item in search_items:
            if not isinstance(item, dict):
                continue
            aweme_info = item.get("aweme_info")
            if isinstance(aweme_info, dict):
                videos.append(aweme_info)

    # Odstraní duplicity, zachová pořadí i záznamy bez ID.
    result = []
    seen = set()
    for video in videos:
        video_id = video.get("aweme_id")
        if video_id and video_id in seen:
            continue
        if video_id:
            seen.add(video_id)
        result.append(video)
    return result


def fetch(keyword, count=20, region="US"):
    license_key = os.environ.get("JSONSCRAPER_TIKTOK_LICENSE_KEY")
    if not license_key:
        raise RuntimeError("Set JSONSCRAPER_TIKTOK_LICENSE_KEY in the environment")

    params = {
        "license_key": license_key,
        "keyword": keyword,
        "count": count,
        "region": region,
        "sort_by": "relevance",
    }
    response = requests.get(
        f"{BASE_URL}/searchVideo", params=params, timeout=60
    )
    response.raise_for_status()
    payload = response.json()

    if payload.get("status") != "ok":
        raise RuntimeError("TikTok API returned a non-ok status")

    tiktok = payload.get("tiktok")
    if not isinstance(tiktok, dict):
        raise RuntimeError("Response does not contain a TikTok result object")
    return payload, tiktok


def write_rows(keyword, videos, collected_at):
    OUT_CSV.parent.mkdir(parents=True, exist_ok=True)
    fields = [
        "collected_at", "keyword", "aweme_id", "create_time",
        "author_id", "author_name", "author_username", "description",
        "share_url", "play_count", "digg_count", "comment_count",
        "share_count", "collect_count",
    ]
    write_header = not OUT_CSV.exists()

    with OUT_CSV.open("a", newline="", encoding="utf-8") as file:
        writer = csv.DictWriter(file, fieldnames=fields)
        if write_header:
            writer.writeheader()

        for video in videos:
            author = video.get("author") or {}
            stats = video.get("statistics") or {}
            writer.writerow({
                "collected_at": collected_at,
                "keyword": keyword,
                "aweme_id": video.get("aweme_id"),
                "create_time": video.get("create_time"),
                "author_id": author.get("uid"),
                "author_name": author.get("nickname"),
                "author_username": author.get("unique_id"),
                "description": video.get("desc"),
                "share_url": video.get("share_url"),
                "play_count": stats.get("play_count"),
                "digg_count": stats.get("digg_count"),
                "comment_count": stats.get("comment_count"),
                "share_count": stats.get("share_count"),
                "collect_count": stats.get("collect_count"),
            })


def main():
    if len(sys.argv) 

Klíč předejte prostřednictvím prostředí. V shellu Bash vypadá příkaz pro aktuální relaci takto:

export JSONSCRAPER_TIKTOK_LICENSE_KEY="ваш_ключ"
python collect_tiktok.py "meal prep"

Ve Windows PowerShell lze proměnnou pro aktuální proces nastavit příkazem $env:JSONSCRAPER_TIKTOK_LICENSE_KEY="ваш_ключ" a poté spustit stejný soubor Pythonu. Nepřidávejte klíč do repozitáře, CSV, archivu odpovědí ani chybových zpráv. Protože API přijímá klíč jako parametr dotazu, počítejte s tím, že se úplná URL požadavku může objevit v protokolech HTTP klienta i infrastruktury; nastavte logování tak, aby tajné údaje vynechávalo.

Jak číst kód a ověřit výsledek

Funkce fetch předává dokumentované parametry a kontroluje stav HTTP, vnější stav i přítomnost objektu tiktok. Nepovažuje každé korektní tělo odpovědi za úspěšný výsledek: pokud je formát neočekávaný, běh se zastaví s jasnou chybou. Snáze tak odlišíte prázdné výsledky od problému s přístupem nebo změněné struktury.

Funkce get_videos spojuje položky přímého seznamu aweme_list a záznamy vnořené v search_item_list[].aweme_info. Následně odstraní duplicity podle aweme_id, protože se video může objevit v obou kolekcích. Pokud ID chybí, záznam zůstane zachován; můžete tak prozkoumat původní výsledek, aniž byste doplňovali vymyšlenou hodnotu.

Normalizace bezpečně načítá vnořené objekty. Pole autora nebo statistik mohou chybět, proto kód před jejich načtením použije prázdný objekt. Příslušné buňky v CSV přitom zůstanou prázdné. To je důležitý rozdíl: prázdná buňka znamená, že hodnota v pozorování nebyla vrácena, zatímco nula je číselná hodnota, kterou API skutečně poskytlo.

Archiv dostane samostatný soubor JSON pro každý dotaz. Název obsahuje čas v UTC a očištěnou podobu hledaného výrazu. CSV uchovává ploché záznamy pro analytiku, zatímco původní JSON zůstává referenčním materiálem pro zpracování nových polí nebo opětovné zpracování dat. Tento dvojí formát se hodí pro místní prototyp i pozdější migraci do databáze nebo objektového úložiště.

Při ověřování prvního spuštění otevřete JSON a zkontrolujte, zda se status rovná ok, zda obsahuje objekt tiktok a zda jsou v jedné či obou podporovaných kolekcích položky. Poté porovnejte několik hodnot v CSV s původním objektem. Zejména ověřte, že se čítače nezměnily na chybné řetězce, data zveřejnění zůstala v původní podobě a odkazy patří ke stejným videím jako jejich ID.

Pokud korektní odpověď neobsahuje žádná videa, zaznamenejte to jako prázdný výsledek spuštění, nikoli jako chybu kódu. Pokud vnější stav nebo odpověď HTTP signalizuje chybu, takový záznam do analytických pozorování nepřidávejte: nejprve zjistěte příčinu a spusťte sběr znovu. V produkčním procesu se vyplatí zaznamenávat také stavový kód HTTP, hledaný výraz, čas a stručnou chybovou zprávu, ale bez klíče a celé URL obsahující tajný údaj.

Stránkování a opakovatelnost sběru

Vyhledávání podporuje parametr cursor pro posun ve výsledcích. Chcete-li získat další stránku, převezměte kurzor z předchozí odpovědi a předejte jej beze změny. Kurzor je neprůhledná hodnota API: aplikace jej má uchovat a vrátit tak, jak je, nevypočítávat jej z počtu řádků ani jej nepovažovat za číslo stránky.

Pro počáteční monitorování můžete používat jeden dotaz na klíčové slovo a stejnou hodnotu count. Interpretace je pak jednodušší: tým ví, že každé spuštění ukládá omezený snímek výsledků. Pokud přidáte stránkování, uchovávejte každou stránku i kurzor a nastavte maximální počet stránek na jedno spuštění. Tento limit chrání úlohu před nekonečnou smyčkou při neočekávané odpovědi.

Parametr date_posted umožňuje omezit vyhledávání na jedno z období uvedených v dokumentaci; pomocí sort_by lze zvolit řazení podle relevance, data zveřejnění nebo počtu lajků. Při analýze vývoje tyto volby zaznamenávejte u každého spuštění. Porovnání dotazů s různými obdobími nebo řazením může odrážet změnu podmínek vyhledávání, nikoli změnu samotného tématu.

Parametr cache_timeout řídí ukládání odpovědi do mezipaměti. Dokumentace popisuje výchozí dobu mezipaměti 3600 sekund a hodnotu 0 pro její vypnutí. Pro plánované monitorování zvolte nastavení vědomě a uložte je do konfigurace. Pokud se série dotazů spouští častěji než jednou za hodinu a potřebujete rozlišovat odpovědi v rámci tohoto intervalu, před vyvozováním závěrů o nezměněných výsledcích nejprve ověřte chování mezipaměti.

Porovnávání každodenních pozorování

CSV už obsahuje základ pro jednoduchý přehled. Seskupte řádky podle hledaného výrazu a aweme_id, seřaďte je podle collected_at a porovnávejte pouze dvojice pozorování, u nichž existují obě hodnoty metriky. Rozdíl v počtu zhlédnutí lze například vypočítat jako poslední pozorovaná hodnota minus předchozí. Uchovávejte oba původní body: ke správnému pochopení výsledku je potřeba znát absolutní rozdíl i čas mezi pozorováními.

Tento rozdíl neoznačujte za rychlost zhlédnutí bez určení časového intervalu. Pokud k jednomu spuštění došlo ráno a další proběhlo až za několik dní, hodnota představuje kumulovanou změnu za toto období. Chcete-li získat srovnatelnou rychlost, můžete rozdíl vydělit skutečnou dobou mezi pozorováními; výsledek však stále představuje průměrné tempo mezi dvěma snímky, nikoli nepřetržitou telemetrii.

Samostatně počítejte dva druhy signálů. Prvním jsou nová ID, která se objeví v aktuálních výsledcích dotazu. Druhým je změna statistik již pozorovaných videí. Nové video může být kandidátem k posouzení bez ohledu na aktuální počet zhlédnutí a růst u staršího videa pomáhá zachytit, že příspěvek dál získává reakce. Tyto signály odpovídají na různé otázky a hodí se pro odlišné scénáře plánování obsahu.

Přidejte jednoduché kontroly kvality dat: podíl řádků s ID, podíl řádků s popisem, přítomnost data sběru, počet jedinečných videí na dotaz a počet chybějících statistik. Tyto ukazatele pomáhají odhalit, že datový tok přestal dostávat obvyklou strukturu, dříve než tým vyvodí závěr z neúplného souboru. Ukážou také, které hledané fráze poskytují výběr užitečný pro váš obor.

Pro první přehled postačí tabulka se sloupci: výraz, ID, datum zveřejnění, autor, popis, odkaz, aktuální počet zhlédnutí, počet zhlédnutí v předchozím snímku, rozdíl a čas mezi snímky. Přidejte příznak „nové v archivu“ a pole pro redakční posouzení. Zaměstnanec může hodnotit soulad se značkou, vhodnost formátu i možné riziko kopírování cizího nápadu — samotné API takové hodnocení neprovádí.

Jak nezaměnit popularitu videa za užitečnost tématu

Počet zhlédnutí, lajků, komentářů a sdílení pomáhá popsat veřejné reakce na konkrétní video. Pro plánování obsahu je důležitý také samotný text: formulace otázky, příslib na začátku, opakující se způsob vysvětlení nebo typ ukázky. Předávejte proto editorovi odkaz a popis společně s metrikami; jediné číslo jen zřídka vysvětlí, proč příspěvek zaujal.

Při porovnávání několika videí lze vypočítat poměr interakcí k počtu zhlédnutí, pokud jsou k dispozici oba čítače. Součet lajků, komentářů a sdílení dělený počtem zhlédnutí představuje jednoduchý ukazatel pozorovaného podílu reakcí. Stanovte vzorec a nemíchejte videa s chybějícími hodnotami, jinak výsledky nebudou srovnatelné. Tento poměr popisuje pouze vybrané veřejné čítače a vybraná videa.

Nesčítejte metriky z několika snímků, jako by šlo o nezávislé události. Pokud se stejné video objeví v pěti každodenních odpovědích, počet zhlédnutí v těchto řádcích představuje po sobě jdoucí stavy jednoho čítače, nikoli pět různých publik. Chcete-li počítat součet jedinečných příspěvků, použijte jeden konzistentní bod pozorování pro každé video, například poslední snímek za sledované období, a zaznamenejte pravidlo výběru.

Užitečným řezem analýzy jsou také opakující se slova v popisech. Jednoduchá textová analýza může seskupovat příspěvky podle předem stanovených slovníků: „recept“, „recenze“, „před/po“, „chyba“, „tip“. Klasifikátor nebo jazykový model mohou navrhnout kategorie a stručná shrnutí, ale v tabulce uchovávejte původní popis a URL, aby editor mohl interpretaci ověřit přímo u videa.

Automatizace podle plánu

Po ověření ručního spuštění přesuňte sběr do plánovače: cron na vlastním serveru, GitHub Actions nebo pracovní postup v n8n/Make. Integrace má spouštět tentýž ověřený skript, předávat klíč z úložiště tajných údajů, archivovat JSON a odesílat oznámení pouze po úspěšném dokončení. Konkrétní implementace plánovače závisí na infrastruktuře; volání API i formát zpracování zůstávají stejné.

Příklad úlohy cron s každodenním spuštěním v 08:15 podle času počítače:

15 8 * * * cd /srv/tiktok-monitor && /usr/bin/python3 collect_tiktok.py "meal prep" >> logs/collector.log 2>&1

Před použitím tohoto řádku nastavte proměnnou prostředí ve službě nebo shellu, pod kterým cron běží, a zvolte správné časové pásmo hostitele. U několika klíčových slov je lepší uchovávat seznam v souboru a předávat skriptu každý dotaz při samostatném spuštění. Chyba jednoho dotazu pak nemusí zrušit celý soubor úloh a archivy se snáze porovnávají.

S rostoucím počtem klíčových slov přesuňte konfiguraci do JSON nebo YAML a přidejte protokol spuštění se stavem, počtem získaných videí a cestou k archivu. Kvůli spolehlivosti nastavte omezený počet opakování při dočasné chybě sítě, časový limit a samostatné zpracování chyb HTTP. Požadavky nelze opakovat donekonečna: úloha musí skončit se zřetelným stavem, aby další spuštění problém nezakrylo.

Pokud mají výsledky směřovat do Google Sheets, databáze nebo interního přehledu, přidejte tento krok až po spolehlivém archivování. Nejprve uložte původní odpověď a pak načtěte normalizované řádky; pokud export selže, opakujte načtení z archivu, aniž byste nutně znovu sbírali data. Identifikátor videa a čas sběru pomáhají zajistit opakovatelné vkládání a odlišit nový snímek od staršího.

Přidání AI: užitečná role je třídění, nikoli nahrazení zdroje

Pokud se v archivu nahromadí mnoho popisů, model může pomoci seskupovat videa podle témat, vyhledávat často se opakující formulace a připravovat pro editora krátká vysvětlení. Předávejte modelu omezenou sadu polí: hledaný výraz, popis, datum zveřejnění a veřejné čítače. Žádejte strukturované kategorie a stručné zdůvodnění, nikoli sebejistá tvrzení o příčinách popularity, která z dat nevyplývají.

Výstup modelu ukládejte do samostatných sloupců, například ai_topic, summary a review_status. Nepřepisujte původní popis ani hodnoty z API. Pokud se změní instrukce nebo model, mělo by být možné zpracování zopakovat z uložených záznamů; proto je užitečné uchovávat verzi promptu a datum klasifikace.

Praktickým úkolem pro model je navrhnout editorovi tematické skupiny, například „rychlé recepty“, „srovnání zařízení“ nebo „chyby začátečníků“. Analytik pak podle odkazů ověří několik příkladů v každé skupině a upraví slovník. Tento přístup s člověkem v procesu mění AI v nástroj pro orientaci v souboru dat a zároveň zachovává dostupnost původních ověřitelných pozorování.

Nesvěřujte modelu, aby z malého výběru z vyhledávání sám vyvozoval příčinné vztahy mezi formátem a dosahem. Takový závěr vyžaduje předem stanovenou metodiku, srovnatelné příspěvky a další data. V praktické redakční práci stačí seřadit kandidáty k prohlédnutí, formulovat hypotézy o opakujících se tématech a připravit seznam odkazů k ručnímu posouzení.

Kvalita výběru a meze závěrů

Datový tok uchovává odpovědi získané podle zadaných dotazů a parametrů. Pomáhá tato pozorování porovnávat, ale vyhledávání je omezeno konkrétním dotazem, okamžikem sběru, nastavením a odpovědí služby. Závěry proto formulujte přesně: „ve výsledcích získaných pro dotaz X se ve snímcích z tohoto týdne častěji objevovalo téma Y“, nikoli „TikTok právě celý diskutuje o Y“.

Porovnávejte pouze série se stejným nastavením: stejný region, parametry řazení, období zveřejnění a počet požadovaných výsledků. Pokud změníte dotaz nebo filtr, označte to jako novou sérii. Při analýze sezónnosti nebo kampaně uchovávejte verzi konfigurace, jinak se změna vstupu může jevit jako změna obsahu.

Veřejné metriky se mohou mezi snímky aktualizovat a jednotlivá videa mohou být různě stará: nově zveřejněné a starší video jsou v jiné fázi získávání reakcí. Při porovnávání výkonnosti zohledněte datum zveřejnění i interval pozorování. Porovnávejte příspěvky podobného stáří nebo analyzujte vývoj stejného ID v po sobě jdoucích snímcích.

Pokud projekt souvisí s konkurenty nebo autory, omezte sběr na daný účel a nezbytné minimum údajů. Nesbírejte citlivé informace a nepoužívejte veřejné ukazatele k hodnocení osobnosti autora. Marketingovému týmu obvykle stačí odkaz, popis, název profilu, čas zveřejnění a souhrnné metriky. Před automatizací ověřte příslušné podmínky platformy, požadavky své organizace a pravidla uchovávání údajů.

Praktický kontrolní seznam před spuštěním

• Ujasněte si obchodní otázku: jaká témata, formáty nebo příspěvky chcete zachytit.
• Začněte několika stabilními vyhledávacími frázemi a zaznamenejte jejich přesné znění.
• Podle dokumentace ověřte trasu /searchVideo, povinný parametr keyword i ostatní parametry.
• Uchovávejte klíč v proměnné prostředí a vylučte jej z výstupu, protokolů i repozitáře.
• Kontrolujte vnější stav odpovědi a přítomnost objektu tiktok.
• Zpracovávejte jak aweme_list, tak search_item_list[].aweme_info.
• Před normalizací uchovávejte surový JSON.
• Chybějící pole ponechávejte prázdná a nenahrazujte je nulami.
• Publikace párujte podle aweme_id a kurzor předávejte beze změny.
• U každého snímku zaznamenávejte datum sběru a parametry vyhledávání.
• Před vyvozováním závěrů a předáním výsledků modelu několik videí ručně ověřte.

Jaký bude výsledek

Po nastavení bude mít tým opakovatelný proces: seznam klíčových dotazů se bude spouštět podle plánu, každá odpověď se uloží jako původní JSON a normalizovaná pozorování se přidají do CSV. Analytik uvidí videa nová v archivu, může se vrátit k odkazům a popisům, porovnávat dostupné veřejné čítače napříč snímky a vytvářet tematické skupiny.

Výsledkem pro editora nebude automatický verdikt o „hlavním trendu“, ale krátký seznam ověřitelných kandidátů: nové příspěvky, videa s výraznou změnou ukazatelů a opakující se tematické formulace. Tím se zkrátí cesta od ručního vyhledávání k diskusi o tématu a vznikne ověřitelný podklad pro rozhodnutí, co zařadit do plánu obsahu.

Začít můžete jediným dotazem, každodenním místním spuštěním a souborem CSV. Když ověření ukáže, že výběr odpovídá účelu, přidejte plánování, databázi nebo klasifikaci popisů. Dokumentované parametry a účel tras lze ověřit v dokumentaci TikTok API; informace o přístupu a produktu najdete na stránce TikTok Scraper API jsonscraper.