Michael JohnsonEl equipo de contenido detecta un tema nuevo en TikTok cuando la competencia ya está hablando de él. A menudo, la causa es sencilla: las búsquedas se revisan manualmente y de forma irregular, y los enlaces encontrados se quedan en un chat, sin una tabla común, una fecha de recopilación ni métricas comparables. Para detectar cambios antes, conviene convertir las búsquedas en un proceso repetible: registrar las consultas, guardar periódicamente los vídeos obtenidos y comparar solo los resultados observados.
A continuación se presenta un esquema de monitorización de este tipo en Python con TikTok Scraper API de jsonscraper. Puede servir, por ejemplo, a una agencia que sigue varias consultas temáticas para planificar publicaciones, o a una marca que quiere detectar qué vídeos públicos sobre un tema obtienen un número notable de visualizaciones y reacciones. La API devuelve resultados de búsqueda de TikTok, como la descripción del vídeo, el autor, la fecha de publicación, el enlace y los contadores disponibles. El script archiva cada respuesta y genera una captura en CSV para su análisis.
El principio clave es no medir una «tendencia» abstracta, sino los cambios en el propio registro de observaciones: qué vídeos aparecen en la muestra, qué vídeos conocidos han cambiado sus contadores públicos y qué expresiones se repiten en las descripciones. Este enfoque proporciona al equipo de contenido una lista verificable de temas para evaluar manualmente y conserva la procedencia de cada conclusión.
Por qué la búsqueda manual no basta para una buena monitorización
Los resultados de búsqueda son una muestra cambiante, no un catálogo estable de publicaciones. Si hoy una persona encuentra diez vídeos con una palabra y la semana siguiente vuelve a buscarla, es difícil comparar los resultados: los enlaces anteriores pueden haberse perdido, la lista será distinta y los contadores habrán acumulado nuevos valores. Sin capturas guardadas, no es posible reconstruir qué vio exactamente el equipo en un día concreto.
Incluso una recopilación diaria sencilla soluciona parte del problema. En cada ejecución se guardan la fecha de observación, el término de búsqueda, el identificador del vídeo, el autor, la descripción, el enlace y los indicadores disponibles. En la siguiente ejecución, se pueden comparar los registros por ID de vídeo y calcular la diferencia entre los contadores, siempre que ambas versiones incluyan los campos correspondientes.
Estos valores deben interpretarse como métricas públicas de los vídeos presentes en la respuesta de la API, no como el alcance total de TikTok ni como un ranking exhaustivo de popularidad. Los resultados de búsqueda pueden cambiar, puede que falten algunos campos y los indicadores dependen del momento de recopilación. Por tanto, el objetivo del proceso es crear una muestra de trabajo reproducible y detectar candidatos que merecen revisión, no declarar que un tema es una tendencia universal basándose en una sola cifra.
Esquema de la solución: búsqueda, archivo y comparación
El proceso consta de cinco partes: configuración de palabras clave, solicitud a la API, archivo JSON sin modificar, capa de registros normalizados e informe de cambios. Esta separación permite comprobar cada paso por separado. Si cambia el esquema de la respuesta o faltan algunos campos, el JSON original seguirá disponible para volver a procesarlo.
- Define el conjunto de consultas. Usa frases concretas relacionadas con el producto, el sector o las necesidades del público. Por ejemplo, una marca de electrodomésticos de cocina puede seguir «meal prep», «air fryer recipes» y el nombre de una categoría concreta de productos. Guarda la lista de consultas en un archivo de configuración, en lugar de incluirla directamente en la lógica de procesamiento.
- Establece las reglas de recopilación. Elige una periodicidad y un volumen pequeño de resultados para la prueba piloto. Registra la fecha, la región y los parámetros de búsqueda. Para comparar en el tiempo, es más importante repetir la configuración que intentar obtener una respuesta lo más amplia posible en cada ejecución.
- Guarda la respuesta original. Registra el JSON junto con la hora de ejecución y el término de búsqueda. El archivo permite recuperar el registro original y corregir la normalización sin volver a llamar a la API.
- Normaliza los campos confirmados. Extrae solo los campos presentes en la respuesta: ID, descripción, hora de publicación, autor, enlace y valores estadísticos disponibles. Deja en blanco los valores ausentes, en lugar de sustituirlos por cero.
- Compara las capturas. Compara los vídeos por ID y conserva cada observación por separado. Así podrás identificar publicaciones nuevas para el archivo y calcular la diferencia entre los valores observados de las métricas.
Para la prueba inicial, elige dos o tres consultas y un número reducido de resultados. Comprueba hasta qué punto las descripciones y los autores se ajustan a tu objetivo, qué campos se devuelven realmente y cuánto se repite la muestra cuando se mantienen las mismas condiciones. Solo después conviene ampliar la lista de términos y programar la ejecución.
Qué permite solicitar TikTok Scraper API
En la referencia de rutas de TikTok API de jsonscraper, la ruta GET \/searchVideo sirve para buscar vídeos por palabra clave. El parámetro obligatorio es keyword. Entre los parámetros opcionales documentados figuran count, cursor, date_posted, sort_by, region y cache_timeout. La documentación indica valores como this-week y this-month para date_posted, y relevance, most-liked y date-posted para sort_by. Allí se especifican los nombres y funciones exactos de los parámetros.
La dirección base del servicio es https:\/\/tiktok.evelode.com; la clave se pasa como parámetro de consulta license_key. En el ejemplo siguiente, la clave se guarda en la variable de entorno JSONSCRAPER_TIKTOK_LICENSE_KEY. Así se evita incluir el secreto directamente en el código fuente o imprimirlo en el registro de ejecución.
La respuesta debe procesarse teniendo en cuenta su estructura anidada. Primero, comprueba el status externo y, después, accede al objeto tiktok. En una búsqueda, la lista puede presentarse de dos formas: los vídeos pueden encontrarse directamente en tiktok.aweme_list y también en aweme_info, dentro de los elementos de tiktok.search_item_list. En una respuesta de búsqueda, aweme_list puede estar vacío aunque haya vídeos en search_item_list. El siguiente script admite ambas formas.
En el objeto del vídeo, la documentación y un ejemplo de respuesta comprobado muestran campos como aweme_id, desc, create_time, share_url, información del autor y el objeto statistics. Las estadísticas pueden incluir contadores de visualizaciones, «Me gusta», comentarios y compartidos. Hay que comprobar en cada respuesta los campos concretos y su significado: el código deja en blanco los que falten. El ejemplo de la ruta y sus parámetros documentados están disponibles en la descripción de TikTok Scraper API.
Ejemplo práctico en Python
El ejemplo está pensado para Python 3.8 o posterior y utiliza el paquete requests. Instálalo con el comando python -m pip install requests. Guarda el código en un archivo llamado collect_tiktok.py, define la clave en el entorno y ejecuta el script con un término de búsqueda. El script crea el directorio data, guarda el JSON original y añade las observaciones normalizadas a un 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):
"""Recopila vídeos de las variantes confirmadas de la respuesta 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)
# Elimina duplicados, conserva el orden y mantiene los registros sin 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) Pasa la clave mediante una variable de entorno. En Bash, el comando para la sesión actual sería:
export JSONSCRAPER_TIKTOK_LICENSE_KEY="tu_clave"
python collect_tiktok.py "meal prep"En Windows PowerShell, puedes definir la variable para el proceso actual con $env:JSONSCRAPER_TIKTOK_LICENSE_KEY="tu_clave" y, después, ejecutar el mismo archivo de Python. No añadas la clave al repositorio, al CSV, al archivo de respuestas ni a los mensajes de error. Como la API acepta la clave como parámetro de consulta, ten en cuenta que la URL completa de la solicitud puede aparecer en los registros del cliente HTTP y de la infraestructura; configura el registro para excluir secretos.
Cómo leer el código y comprobar el resultado
La función fetch pasa los parámetros documentados y comprueba el código HTTP, el estado externo y la existencia del objeto tiktok. No considera que cualquier cuerpo de respuesta válido implique un resultado satisfactorio: si el formato es inesperado, la ejecución se detiene con un error claro. Así es más fácil distinguir una búsqueda sin resultados de un problema de acceso o un cambio en la estructura.
La función get_videos combina los elementos de la lista directa aweme_list con los registros anidados en search_item_list[].aweme_info. Después, elimina los duplicados por aweme_id, ya que un vídeo puede aparecer en ambas colecciones. Si no hay ID, el registro se conserva; así se puede investigar el resultado original sin asignarle un valor inventado.
La normalización obtiene de forma segura los objetos anidados. Puede que falten los campos del autor o las estadísticas, por lo que el código usa un objeto vacío antes de leerlos. En esos casos, las celdas correspondientes del CSV se dejan en blanco. Esta distinción es importante: una celda vacía significa que la observación no incluía el valor; un cero representa un valor numérico que la API sí devolvió.
El archivo genera un JSON independiente por cada consulta. El nombre incluye la hora UTC y una versión depurada del término de búsqueda. El CSV almacena registros planos para analizarlos, mientras que el JSON original queda como material de referencia para examinar campos nuevos o volver a procesar los datos. Este formato doble resulta práctico tanto para un prototipo local como para una futura migración a una base de datos o un almacenamiento de objetos.
Para verificar la primera ejecución, abre el JSON y comprueba que status sea ok, que contenga un objeto tiktok y que una o ambas colecciones compatibles tengan elementos. Después, compara algunos valores del CSV con el objeto original. Comprueba, en particular, que los contadores no se conviertan en cadenas incorrectas, que las fechas de publicación se conserven en su formato original y que los enlaces correspondan a los mismos vídeos que los ID.
Si una respuesta válida no contiene vídeos, guarda ese resultado vacío como una ejecución sin resultados, no como un fallo del código. Si el estado externo o la respuesta HTTP indica un error, no añadas ese registro a las observaciones analíticas: primero resuelve la causa y vuelve a ejecutar la consulta. En un proceso de producción, también conviene registrar el código HTTP, el término de búsqueda, la hora y un mensaje de error breve, excluyendo la clave y la URL completa que contiene el secreto.
Paginación y repetibilidad de la recopilación
La búsqueda admite el parámetro cursor para avanzar por los resultados. Si necesitas obtener la siguiente página, toma el cursor de la respuesta anterior y pásalo sin modificarlo. El cursor es un valor opaco de la API: la aplicación debe guardarlo y devolverlo tal cual, sin calcularlo a partir del número de filas ni interpretarlo como un número de página.
Para la monitorización inicial, puedes limitarte a una consulta por palabra clave y mantener el mismo valor de count. Esto facilita la interpretación: el equipo sabe que cada ejecución guarda una captura limitada de los resultados. Si añades paginación, conserva cada página y su cursor, y establece un límite de páginas por ejecución. Este límite protege la tarea de un bucle infinito ante una respuesta inesperada.
El parámetro date_posted permite limitar la búsqueda a uno de los periodos indicados en la documentación; sort_by permite elegir el orden por relevancia, fecha de publicación o «Me gusta». Al analizar la evolución, guarda estos ajustes junto con cada ejecución. Comparar consultas con periodos u órdenes distintos puede reflejar un cambio en las condiciones de búsqueda y no en el propio tema.
El parámetro cache_timeout controla la caché de la respuesta. La documentación describe una ventana de caché predeterminada de 3600 segundos y el valor 0 para desactivarla. Elige la configuración de forma consciente y guárdala en el archivo de configuración. Si una serie de consultas se ejecuta con menos de una hora de intervalo y necesitas distinguir respuestas dentro de esa ventana, comprueba por separado el comportamiento de la caché antes de interpretar los resultados repetidos como ausencia de cambios.
Comparación de observaciones diarias
El CSV ya contiene lo necesario para generar un informe sencillo. Agrupa las filas por término de búsqueda y aweme_id, ordénalas por collected_at y compara solo los pares de observaciones en los que existan ambos valores de la métrica. Por ejemplo, puedes calcular la diferencia de visualizaciones restando el último valor observado del anterior. Conserva ambos puntos de partida: la diferencia absoluta y el tiempo entre observaciones son necesarios para interpretar correctamente el resultado.
No llames a esa diferencia «velocidad de visualizaciones» sin especificar el intervalo de tiempo. Si una ejecución se realizó por la mañana y la siguiente varios días después, el valor representa el cambio acumulado durante ese periodo. Para obtener un ritmo comparable, puedes dividir la diferencia por el tiempo transcurrido entre observaciones, pero el resultado seguirá siendo un promedio entre dos capturas, no telemetría continua.
Calcula dos tipos de señales por separado. La primera son los ID nuevos que aparecen en los resultados de la consulta actual. La segunda es el cambio en las estadísticas de vídeos ya observados. Un vídeo nuevo puede merecer revisión independientemente de sus visualizaciones actuales, mientras que el aumento de las cifras de un vídeo conocido ayuda a detectar que sigue generando reacciones. Estas señales responden a preguntas distintas y son útiles en diferentes escenarios de planificación editorial.
Añade comprobaciones sencillas de calidad de datos: porcentaje de filas con ID, porcentaje de filas con descripción, presencia de la fecha de recopilación, número de vídeos únicos por consulta y número de estadísticas ausentes. Estos indicadores permiten detectar que el proceso ha dejado de recibir la estructura habitual antes de que el equipo saque conclusiones a partir de un archivo incompleto. También muestran qué frases de búsqueda ofrecen una muestra útil para tu sector.
Para el primer informe basta con una tabla con estas columnas: término, ID, fecha de publicación, autor, descripción, enlace, visualizaciones actuales, visualizaciones en la captura anterior, diferencia y tiempo entre capturas. Añade una marca de «nuevo en el archivo» y un campo para la evaluación editorial. El personal puede indicar si encaja con la marca, si el formato es adecuado y si existe un posible riesgo de copiar la idea de otra persona: la API no realiza por sí sola estas valoraciones.
Cómo no confundir la popularidad de un vídeo con la utilidad del tema
Las visualizaciones, los «Me gusta», los comentarios y los compartidos ayudan a describir la reacción pública ante un vídeo concreto. Para planificar contenido, también importa el texto: cómo se formula la pregunta, qué se promete al principio, qué formato explicativo se repite o qué tipo de demostración se utiliza. Por eso, entrega al editor el enlace y la descripción junto con las métricas; una cifra aislada rara vez explica por qué funcionó una publicación.
Al comparar varios vídeos, puedes calcular la proporción de interacciones respecto a las visualizaciones si existen ambos contadores. Por ejemplo, dividir la suma de los «Me gusta», los comentarios y los compartidos por las visualizaciones da una medida sencilla de la proporción de reacciones observadas. Define la fórmula y no mezcles vídeos con valores ausentes; de lo contrario, los resultados no serán comparables. Este coeficiente solo describe los contadores públicos seleccionados y los vídeos elegidos.
No sumes las métricas de varias capturas como si fueran eventos independientes. Si el mismo vídeo aparece en cinco respuestas diarias, sus visualizaciones en esas filas son estados sucesivos de un único contador, no cinco audiencias distintas. Para calcular el total de publicaciones únicas, utiliza un único punto de observación coherente por vídeo —por ejemplo, la última captura del periodo del informe— y documenta el criterio de selección.
Otro análisis útil consiste en identificar palabras que se repiten en las descripciones. Un análisis de texto sencillo puede agrupar las publicaciones mediante vocabularios definidos de antemano: «receta», «reseña», «antes y después», «error» o «consejo». Un clasificador o un modelo de lenguaje pueden sugerir categorías y resúmenes breves, pero conviene conservar en la tabla la descripción original y la URL para que el editor pueda comprobar la interpretación viendo el vídeo.
Automatización programada
Cuando hayas comprobado la ejecución manual, programa la recopilación con cron en un servidor propio, GitHub Actions o un flujo de trabajo de n8n\/Make. La integración debe ejecutar el mismo script ya verificado, obtener la clave de un almacén de secretos, archivar el JSON y enviar una notificación solo cuando la ejecución haya terminado correctamente. La implementación concreta del planificador depende de la infraestructura; la llamada a la API y el formato de procesamiento no cambian.
Ejemplo de una programación cron para ejecutarse diariamente a las 08:15, según la hora de la máquina:
15 8 * * * cd \/srv\/tiktok-monitor && \/usr\/bin\/python3 collect_tiktok.py "meal prep" >> logs\/collector.log 2>&1Antes de utilizar esta línea, configura la variable de entorno en el servicio o el shell desde el que se ejecuta cron y establece la zona horaria correcta en el host. Para varias palabras clave, es preferible guardar la lista en un archivo y pasar cada consulta al script en una ejecución independiente. Así, un error en una consulta no tiene por qué cancelar las demás y resulta más fácil comparar los archivos.
Cuando aumente el número de palabras clave, traslada la configuración a JSON o YAML y añade un registro de ejecuciones con el estado, el número de vídeos recibidos y la ruta del archivo. Para mejorar la fiabilidad, limita los reintentos ante errores de red temporales, establece un tiempo de espera y gestiona por separado los errores HTTP. No repitas las solicitudes indefinidamente: la tarea debe terminar con un estado visible para que la siguiente ejecución no oculte el problema.
Si los resultados deben enviarse a Google Sheets, una base de datos o un panel interno, añade esa función después de garantizar el archivado. Primero guarda la respuesta original y luego carga las filas normalizadas; si falla la exportación, vuelve a cargar los datos desde el archivo, sin necesidad de recopilar de nuevo. El ID del vídeo y la hora de recopilación permiten organizar inserciones repetibles y distinguir una captura nueva de una anterior.
Cómo añadir IA: clasificar, no sustituir la fuente
Cuando el archivo acumule muchas descripciones, un modelo puede ayudar a agrupar vídeos por tema, detectar expresiones frecuentes y preparar breves explicaciones para el editor. Proporciona al modelo un conjunto limitado de campos: término de búsqueda, descripción, fecha de publicación y contadores públicos. Pídele que devuelva categorías estructuradas y una justificación breve, no afirmaciones categóricas sobre las causas de la popularidad que los datos no permiten establecer.
Guarda el resultado del modelo en columnas separadas, por ejemplo, ai_topic, summary y review_status. No sobrescribas la descripción original ni los valores de la API. Si cambias las instrucciones o el modelo, deberías poder volver a procesar los registros guardados; para ello, resulta útil conservar la versión del prompt y la fecha de clasificación.
Una tarea práctica para el modelo es proponer grupos al editor: «recetas rápidas», «comparación de dispositivos» o «errores de principiantes». Después, un analista comprueba varios ejemplos de cada grupo mediante los enlaces y ajusta el vocabulario. Este proceso con intervención humana convierte la IA en una herramienta de navegación por el conjunto de datos y mantiene accesibles las observaciones originales verificables.
No encargues al modelo que determine por sí solo una relación causal entre el formato y el alcance a partir de una pequeña muestra de búsqueda. Para llegar a esa conclusión se necesitan una metodología definida de antemano, publicaciones comparables y datos adicionales. En el trabajo editorial práctico, basta con priorizar candidatos para su revisión, plantear hipótesis sobre temas recurrentes y ofrecer una lista de enlaces para analizarlos manualmente.
Calidad de la muestra y límites de las conclusiones
El proceso guarda las respuestas obtenidas con las consultas y los parámetros definidos. Ayuda a comparar esas observaciones, pero el alcance de la búsqueda se limita a una consulta concreta, un momento de recopilación, unos ajustes y una respuesta del servicio. Por tanto, formula las conclusiones con precisión: «en las capturas de esta semana, el tema Y apareció con más frecuencia entre los resultados obtenidos para la consulta X», no «ahora todo TikTok habla de Y».
Compara solo series configuradas de la misma forma: misma región, mismos parámetros de orden, mismo periodo de publicación y mismo número de resultados solicitados. Si cambias la consulta o el filtro, regístralo como una serie nueva. Para analizar la estacionalidad o una campaña, guarda la versión de la configuración; de lo contrario, un cambio en los datos de entrada puede parecer un cambio en el contenido.
Las métricas públicas pueden actualizarse entre capturas y tener distinta antigüedad: un vídeo recién publicado y uno antiguo están en distintas etapas de acumulación de reacciones. Para comparar el rendimiento, ten en cuenta la fecha de publicación y el intervalo de observación. Compara publicaciones de antigüedad similar o analiza la evolución de un mismo ID en capturas sucesivas.
Si el proyecto se refiere a competidores o autores, limita la recopilación a la tarea y a los datos mínimos necesarios. No recopiles información sensible ni uses indicadores públicos para evaluar la personalidad del autor. Para un informe de marketing suelen bastar el enlace, la descripción, el nombre del perfil, la hora de publicación y las métricas agregadas. Antes de automatizar el proceso, comprueba las condiciones aplicables de la plataforma, los requisitos de tu organización y las normas de conservación de datos.
Lista de comprobación antes de empezar
- Define la pregunta de negocio: qué temas, formatos o publicaciones quieres detectar.
- Empieza con unas pocas frases de búsqueda estables y fija su escritura.
- Comprueba en la documentación la ruta
\/searchVideo, el parámetro obligatoriokeywordy los demás parámetros. - Guarda la clave en una variable de entorno y exclúyela de la salida, los registros y el repositorio.
- Comprueba el estado externo de la respuesta y la existencia del objeto
tiktok. - Procesa tanto
aweme_listcomosearch_item_list[].aweme_info. - Guarda el JSON original antes de normalizarlo.
- Deja en blanco los campos ausentes y no los sustituyas por ceros.
- Compara las publicaciones por
aweme_idy pasa el cursor sin modificarlo. - Registra la fecha de recopilación y los parámetros de búsqueda de cada captura.
- Revisa manualmente algunos vídeos antes de extraer conclusiones o pasar los resultados a un modelo.
Qué obtendrás
Una vez configurado, el equipo contará con un proceso repetible: las consultas clave se ejecutarán según un calendario, cada respuesta se guardará como JSON original y las observaciones normalizadas se añadirán al CSV. El analista podrá identificar vídeos nuevos en el archivo, volver al enlace y la descripción, comparar los contadores públicos disponibles entre capturas y crear grupos temáticos.
El resultado para el editor no será un veredicto automático sobre «la gran tendencia», sino una lista breve de candidatos que se pueden verificar: publicaciones nuevas, vídeos con cambios notables en sus indicadores y expresiones temáticas recurrentes. Esto acorta el camino desde la búsqueda manual hasta el debate sobre un tema y proporciona una base comprobable para decidir qué incluir en el calendario de contenido.
Puedes empezar con una consulta, una ejecución diaria local y un archivo CSV. Cuando hayas comprobado que la muestra se ajusta a la tarea, añade una programación, una base de datos o la clasificación de las descripciones. Puedes consultar los parámetros documentados y la función de las rutas en la documentación de TikTok API, y encontrar información sobre el acceso y el producto en la página de TikTok Scraper API de jsonscraper.