Um Diskussionen über ein Problem auf TikTok zu untersuchen, suchen Sie zunächst passende Videos und rufen anschließend die Kommentare zu jedem ausgewählten Video ab. Für ein Produktteam kann das Ergebnis aus einer Sammlung roher JSON-Antworten bestehen, die mit der Suchanfrage und dem Videolink verknüpft sind. Bevor Sie eine Themenwarteschlange erstellen, prüfen Sie die tatsächliche Struktur der Kommentare: Die Dokumentation bestätigt den Endpunkt und seine Parameter, beschreibt aber nicht die Felder der Antwortdatensätze.
Das ist ein wichtiger Schritt in einer Analysepipeline. Suchergebnisse helfen dabei, den Kontext rund um ein Produkt zu erfassen, und Kommentare können Fehlermeldungen, Fragen oder Workarounds enthalten. Damit die Klassifizierung auf tatsächlichen Daten beruht, speichern Sie zunächst die API-Antwort unverändert und gleichen Sie anschließend die Felder mit dem tatsächlich erhaltenen Schema ab.
Warum die Videosuche nicht ausreicht
Der Name einer App oder eines Geräts hilft dabei, Videos zu finden, aber die Videobeschreibung gibt in erster Linie die Formulierung der Person wieder, die das Video erstellt hat. Zuschauer können in den Kommentaren konkrete Fehlfunktionen und Nutzungsmöglichkeiten besprechen. Das Sammeln von Kommentaren ergänzt die Suchauswahl deshalb um eine zweite Datenebene, die mit dem ursprünglichen Video verknüpft ist.
Frühere Beiträge behandelten das Monitoring der TikTok-Suche, das Extrahieren von Fragen aus Beschreibungen und die Verarbeitung von Suchantworten. Hier ist die Aufgabe enger gefasst: Antworten des Kommentar-Endpunkts sammeln und deren Struktur prüfen, bevor eine Klassifizierung entwickelt wird. Das ist für Entwickler von Analyseintegrationen, UX-Forschende und Supportteams nützlich.
Von der Suchanfrage zu einem überprüfbaren Datensatz
Formulieren Sie mehrere konkrete Suchanfragen, etwa den Produktnamen zusammen mit dem Namen einer Funktion oder eines Modells. Speichern Sie die Suchantwort und die URLs der ausgewählten Videos. Rufen Sie anschließend die Kommentare anhand der URLs ab und speichern Sie jede rohe Antwort separat. Nach der Schema-Prüfung können Sie die benötigten Felder normalisieren, Duplikate entfernen und die Texte nach Themen gruppieren.

- Suche: Videos anhand eines Stichworts abrufen und beide unterstützten Ergebnisstrukturen prüfen.
- Auswahl: relevante Videos auswählen und ihre IDs sowie URLs speichern.
- Kommentare sammeln: die URL an den Kommentar-Endpunkt übergeben; für die Fortsetzung der Paginierung den zurückgegebenen Cursor verwenden.
- Prüfung: das rohe JSON speichern und die tatsächlichen Feldnamen anhand der Antwort ermitteln.
- Analyse: die Texte nach der Schema-Prüfung gruppieren und Beispiele einer Person zur Prüfung vorlegen.
Welche Endpunkte zu verwenden sind
Die Dokumentation der TikTok Scraper API beschreibt GET /searchVideo mit dem erforderlichen Parameter keyword. Zu den optionalen Parametern gehören count, cursor, date_posted, sort_by und region. Für Kommentare gibt es GET /getCommentsByUrl mit dem erforderlichen Parameter video_url; als optionale Parameter sind unter anderem cursor, count und region aufgeführt. Der Schlüssel wird im Parameter license_key übergeben.
Videos in der Suchantwort können sich unter tiktok.aweme_list oder tiktok.search_item_list[].aweme_info befinden. Das Beispiel verarbeitet beide Formen, prüft den äußeren Status und speichert die gefundenen Objekte. Für die Antwort mit Kommentaren nimmt es weder den Namen eines Arrays noch Feldnamen an: Es speichert das empfangene JSON und gibt es aus, damit die Struktur geprüft werden kann.
Ein einfacher Sammler in Python
Der Code ist mit Python 3.8+ kompatibel. Installieren Sie requests und legen Sie den Schlüssel in der Umgebungsvariable JSONSCRAPER_TIKTOK_LICENSE_KEY ab. Das Skript schreibt Such- und Kommentarantworten in separate JSON-Dateien und verknüpft jede Kommentarantwort mit der Suchanfrage und der Video-URL. Kommentarfelder werden bewusst nicht extrahiert, bevor Sie die tatsächliche Antwortstruktur geprüft haben.

import json
import os
from pathlib import Path
import requests
BASE = "https://tiktok.evelode.com"
KEY = os.environ["JSONSCRAPER_TIKTOK_LICENSE_KEY"]
OUT = Path("tiktok_raw")
OUT.mkdir(exist_ok=True)
def get_json(path, params):
response = requests.get(
BASE + path,
params={**params, "license_key": KEY},
timeout=30,
)
response.raise_for_status()
data = response.json()
if data.get("status") != "ok":
raise RuntimeError("API returned non-ok status")
return data
def videos_from_search(data):
tiktok = data.get("tiktok") or {}
found = list(tiktok.get("aweme_list") or [])
for item in tiktok.get("search_item_list") or []:
aweme = (item or {}).get("aweme_info") or {}
if aweme:
found.append(aweme)
unique = {}
for video in found:
video_id = video.get("aweme_id")
video_url = video.get("share_url")
if video_id and video_url:
unique[video_id] = video
return list(unique.values())
for index, keyword in enumerate(("APP_NAME ошибка", "APP_NAME не работает")):
search = get_json("/searchVideo", {"keyword": keyword, "count": 10})
(OUT / f"search_{index}.json").write_text(
json.dumps(search, ensure_ascii=False, indent=2), encoding="utf-8"
)
for video in videos_from_search(search):
video_id = video["aweme_id"]
video_url = video["share_url"]
comments = get_json(
"/getCommentsByUrl",
{"video_url": video_url, "count": 30},
)
filename = f"comments_{video_id}.json"
record = {
"keyword": keyword,
"video_id": video_id,
"video_url": video_url,
"response": comments,
}
(OUT / filename).write_text(
json.dumps(record, ensure_ascii=False, indent=2), encoding="utf-8"
)
print(json.dumps(record, ensure_ascii=False, indent=2))
Das Skript prüft den äußeren Antwortstatus und schreibt anschließend das vollständige JSON-Objekt. So lassen sich die tatsächlichen Schlüssel, Werttypen und Verschachtelungen untersuchen, bevor eine Kommentartabelle erstellt wird. Wenn die API einen Fehler zurückgibt, bricht der Code ab und meldet ihn, statt stillschweigend ein ungültiges Ergebnis zu speichern.
Vom rohen JSON zur Themenwarteschlange
Erstellen Sie nach der Prüfung einer oder mehrerer Antworten einen Normalisierer, der dem tatsächlich festgestellten Schema entspricht. Bewahren Sie das rohe JSON neben den normalisierten Zeilen auf, damit Sie die Umwandlung prüfen und die Daten bei Änderungen am Code erneut verarbeiten können. Es ist hilfreich, in jedem Datensatz den Videolink, den ursprünglichen Kommentar, den Erfassungszeitpunkt und die verwendete Version der Kennzeichnungsregel festzuhalten.
Für die thematische Kennzeichnung können Sie mit Labels wie „Fehler“, „Frage zur Nutzung“, „Funktionswunsch“, „Feedback“ und „nicht produktbezogen“ beginnen. Schlüsselwortregeln oder ein Klassifikator können dabei helfen, die Auswahl zu sortieren; speichern Sie das zugewiesene Label getrennt vom Originaltext. Bevor ein Ticket angelegt wird, sollte eine Fachperson den Kontext des Kommentars und das Originalvideo prüfen.
Verwenden Sie bei der Deduplizierung ein ID-Feld erst, nachdem Sie dessen Vorhandensein in der Antwort bestätigt haben. Falls die Daten keine ID enthalten, kann die Kombination aus Video-URL und normalisiertem Text als vorläufiger Schlüssel dienen. Dieses Verfahren führt übereinstimmende Formulierungen innerhalb eines Videos zusammen, belegt aber nicht, dass die Datensätze von derselben Person stammen.
Automatisierung und Datenherkunft
Führen Sie die Erfassung nach Zeitplan über cron, GitHub Actions oder n8n aus. Speichern Sie den Schlüssel in den Secrets der Laufzeitumgebung und nehmen Sie ihn weder in das Repository noch in Ergebnisdateien oder Protokolle auf. Bewahren Sie die rohen JSON-Antworten zur Prüfung auf; legen Sie eine Aufbewahrungsfrist und Zugriffsrechte entsprechend den Anforderungen Ihres Teams und den geltenden Plattformregeln fest.
Protokollieren Sie zur Überwachung der Pipeline die Anzahl erfolgreicher Suchanfragen, gefundener eindeutiger Videos, gespeicherter Kommentarantworten und API-Fehler. Diese technischen Kennzahlen zeigen, an welcher Stelle sich das Ergebnis geändert hat. Eine leere Antwort, ein Anfragefehler und das Ausbleiben von Treffern nach der thematischen Klassifizierung sind unterschiedliche Zustände und sollten daher getrennt erfasst werden.
Für eine Datenbank ist es sinnvoll, Erfassungen, Videos, rohe Kommentarantworten und Entscheidungen zur thematischen Kennzeichnung als getrennte Entitäten zu modellieren. Die Verknüpfung mit Anfrage und Video ermöglicht es, die Quelle zur manuellen Prüfung aufzurufen. Nach Bestätigung des Schemas können Sie eine cursorbasierte Paginierung ergänzen: Der Endpunkt akzeptiert cursor, und die nächste Anfrage sollte den von der API zurückgegebenen Wert unverändert weitergeben, ohne ihn zu interpretieren.
Was dieser Ansatz ermöglicht
Das Team erhält einen wiederholbaren Erfassungsprozess und eine überprüfbare Quellensammlung, aus der sich eine Themenwarteschlange erstellen lässt. Analystinnen und Analysten können nachvollziehen, welche Suchanfrage zu einem Video geführt hat und welche Kommentarantwort gespeichert wurde. Nach der Prüfung der Struktur können Entwickler Normalisierung und thematische Gruppierung ergänzen, ohne ein unbekanntes Schema durch Annahmen zu ersetzen.
Geben Sie im Bericht die Suchanfragen, das Ausführungsdatum, die Auswahlkriterien und die Zahl der verarbeiteten Antworten an. Die Schlussfolgerungen beziehen sich auf konkrete Anfragen und die zurückgegebenen Daten; sie helfen dabei, die gefundenen Diskussionen zu untersuchen und weitere Prüfungen zu planen, während Herkunft und Kontext erhalten bleiben.
Beginnen Sie mit einem Produkt und einigen diagnostischen Suchanfragen: Speichern Sie die Antworten, prüfen Sie die Kommentarstruktur und nehmen Sie anschließend nur bestätigte Felder in den Normalisierer auf. Die Endpunktparameter sind in der API-Dokumentation beschrieben; Produktinformationen finden Sie auf der Seite zur TikTok Scraper API.