Comment détecter les premiers signaux de tendances TikTok : automatiser le suivi des résultats de recherche

L’équipe éditoriale remarque un nouveau sujet sur TikTok alors que les concurrents en parlent déjà. La raison est souvent simple : les recherches sont effectuées manuellement, sans régularité, et les liens trouvés restent dans une conversation, sans tableau commun, date de collecte ni métriques comparables. Pour repérer les évolutions plus tôt, il est utile de transformer la recherche en processus reproductible : consigner les requêtes, enregistrer régulièrement les vidéos obtenues et comparer uniquement les résultats observés.

Voici une méthode de suivi avec Python et l’API TikTok Scraper de jsonscraper. Elle convient, par exemple, à une agence qui suit plusieurs requêtes thématiques pour son calendrier éditorial, ou à une marque qui veut voir quelles vidéos publiques sur un sujet obtiennent des vues et des réactions notables. L’API renvoie des résultats de recherche TikTok, notamment la description de la vidéo, son auteur, sa date de publication, son lien et les compteurs disponibles. Le script archive chaque réponse et génère un instantané CSV à analyser.

Le principe central consiste à mesurer non pas une « tendance » abstraite, mais une évolution dans son propre journal d’observations : quelles vidéos sont apparues dans l’échantillon, quelles vidéos déjà connues ont vu leurs compteurs publics évoluer et quelles formulations reviennent dans les descriptions. Cette méthode fournit à l’équipe éditoriale une liste de sujets à évaluer manuellement et conserve la provenance de chaque conclusion.

Pourquoi la recherche manuelle ne suffit pas au suivi

Les résultats de recherche constituent un échantillon qui évolue, et non un catalogue stable de publications. Si une personne trouve aujourd’hui dix vidéos pour un mot, puis relance la recherche la semaine suivante, il est difficile de comparer les résultats : les anciens liens ont pu se perdre, la sélection sera différente et les compteurs auront évolué. Sans instantanés conservés, impossible de reconstituer ce que l’équipe a vu un jour donné.

Une simple collecte quotidienne corrige une partie du problème. Pour chaque exécution, on enregistre la date d’observation, le terme recherché, l’identifiant de la vidéo, son auteur, sa description, son lien et les indicateurs disponibles. À l’exécution suivante, on peut rapprocher les entrées par ID vidéo et calculer l’écart entre les compteurs, si les deux versions comportent les champs correspondants.

Ces valeurs doivent être interprétées comme les métriques publiques des vidéos présentes dans la réponse de l’API, et non comme une couverture complète de TikTok ou un classement exhaustif de popularité. Les résultats de recherche peuvent changer, certains champs peuvent manquer et les indicateurs dépendent du moment de la collecte. L’objectif du pipeline est donc de constituer un échantillon de travail reproductible et de repérer des éléments à vérifier, pas de déclarer qu’un sujet est une tendance universelle sur la base d’un seul chiffre.

Architecture : recherche, archive et comparaison

Le pipeline comporte cinq éléments : une configuration de mots-clés, une requête à l’API, une archive JSON non modifiée, une couche d’enregistrements normalisés et un rapport sur les évolutions. Cette séparation permet de vérifier chaque étape indépendamment. Si le schéma de réponse change ou si des champs sont absents, le JSON d’origine reste disponible pour un nouveau traitement.

1. Définissez les requêtes. Utilisez des expressions précises, liées au produit, au secteur ou aux besoins du public. Par exemple, une marque d’appareils de cuisine peut suivre « meal prep », « air fryer recipes » et le nom d’une catégorie de produits précise. Enregistrez les requêtes dans un fichier de configuration au lieu de les intégrer à la logique de traitement.
2. Définissez les règles de collecte. Choisissez une fréquence et un petit nombre de résultats pour commencer. Consignez la date, la région et les paramètres de recherche. Pour comparer les périodes, il est plus important de répéter les mêmes paramètres que de chercher à obtenir la réponse la plus large possible à chaque exécution.
3. Conservez la réponse d’origine. Enregistrez le JSON avec l’heure d’exécution et le terme recherché. L’archive permet de retrouver l’enregistrement initial et de corriger la normalisation sans effectuer un nouvel appel à l’API.
4. Normalisez les champs confirmés. Extrayez uniquement les champs présents dans la réponse : ID, légende, date de publication, auteur, lien et valeurs statistiques disponibles. Laissez vide toute valeur absente, sans la remplacer par zéro.
5. Comparez les instantanés. Faites correspondre les vidéos par ID et conservez chaque observation séparément. Vous pourrez ensuite repérer les nouvelles publications de l’archive et calculer l’écart entre les valeurs observées.

Pour un premier essai, choisissez deux ou trois requêtes et un petit nombre de résultats. Vérifiez si les descriptions et les auteurs correspondent à votre objectif, quels champs sont effectivement renvoyés et si les résultats se répètent dans des conditions identiques. Ce n’est qu’ensuite qu’il est pertinent d’élargir la liste de termes et de programmer les exécutions.

Ce que permet de demander l’API TikTok Scraper

Dans la documentation officielle de jsonscraper, la route GET /searchVideo sert à rechercher des vidéos par mot-clé. Le paramètre obligatoire est keyword. Parmi les paramètres facultatifs documentés figurent count, cursor, date_posted, sort_by, region et cache_timeout. La documentation indique pour date_posted des valeurs telles que this-week et this-month, et pour sort_by, relevance, most-liked et date-posted. Les noms exacts et le rôle de ces paramètres sont précisés dans le guide des routes de l’API TikTok.

L’adresse de base du service est https://tiktok.evelode.com ; la clé est transmise en tant que paramètre de requête license_key. Dans l’exemple ci-dessous, elle est stockée dans la variable d’environnement JSONSCRAPER_TIKTOK_LICENSE_KEY. Cela évite d’inscrire le secret directement dans le code source ou de l’afficher dans les journaux d’exécution.

La réponse doit être analysée en tenant compte de sa structure imbriquée. Vérifiez d’abord le status externe, puis accédez à l’objet tiktok. Les résultats de recherche peuvent prendre deux formes : les vidéos peuvent se trouver directement dans tiktok.aweme_list, mais aussi dans les éléments aweme_info de tiktok.search_item_list. Dans une réponse de recherche, aweme_list peut être vide alors que des vidéos figurent dans search_item_list. Le script ci-dessous prend en charge ces deux formes.

Dans l’objet vidéo, la documentation et un exemple de réponse vérifié montrent des champs comme aweme_id, desc, create_time, share_url, des informations sur l’auteur et l’objet statistics. Les statistiques peuvent inclure des compteurs de vues, de mentions J’aime, de commentaires et de partages. Il faut vérifier le contenu et la signification des champs dans chaque réponse : le code laisse vides ceux qui sont absents. L’exemple de route et ses paramètres documentés sont disponibles dans la présentation de l’API TikTok Scraper.

Exemple fonctionnel en Python

L’exemple est prévu pour Python 3.8 et versions ultérieures et utilise le paquet requests. Installez-le avec la commande python -m pip install requests. Enregistrez le code dans un fichier collect_tiktok.py, définissez la clé dans l’environnement et lancez le script avec un terme de recherche. Le script crée le dossier data, enregistre le JSON d’origine et ajoute les observations normalisées à un fichier 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):
    """Collecter les vidéos provenant des variantes confirmées de la réponse 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)

    # Supprimer les doublons en conservant l’ordre et les entrées sans 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("Définissez JSONSCRAPER_TIKTOK_LICENSE_KEY dans l’environnement")

    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("L’API TikTok a renvoyé un statut différent de ok")

    tiktok = payload.get("tiktok")
    if not isinstance(tiktok, dict):
        raise RuntimeError("La réponse ne contient pas d’objet de résultats TikTok")
    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) 

Transmettez la clé par l’environnement. Dans un shell Bash, la commande pour la session en cours est la suivante :

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

Dans Windows PowerShell, définissez la variable pour le processus en cours avec $env:JSONSCRAPER_TIKTOK_LICENSE_KEY="votre_clé", puis lancez le même fichier Python. N’ajoutez pas la clé au dépôt, au CSV, à l’archive de réponse ou aux messages d’erreur. Comme l’API reçoit la clé dans un paramètre de requête, tenez compte du fait que l’URL complète peut apparaître dans les journaux du client HTTP et de l’infrastructure ; configurez la journalisation afin d’exclure les secrets.

Lire le code et vérifier les résultats

La fonction fetch transmet les paramètres documentés et vérifie le statut HTTP, le statut externe et la présence de l’objet tiktok. Elle ne considère pas qu’un corps de réponse valide signifie automatiquement que l’opération a réussi : si le format est inattendu, l’exécution s’arrête avec une erreur explicite. Il est ainsi plus facile de distinguer des résultats vides d’un problème d’accès ou d’un changement de structure.

La fonction get_videos regroupe les éléments de la liste directe aweme_list et les entrées imbriquées dans search_item_list[].aweme_info. Elle élimine ensuite les doublons par aweme_id, car une vidéo peut apparaître dans les deux collections. Si l’ID manque, l’entrée est conservée : cela permet d’examiner le résultat d’origine sans lui attribuer une valeur inventée.

La normalisation récupère les objets imbriqués de manière sûre. Les champs concernant l’auteur ou les statistiques peuvent être absents ; le code utilise donc un objet vide avant de les lire. Les cellules correspondantes du CSV restent vides. La distinction est importante : une cellule vide signifie que la valeur ne figurait pas dans l’observation, tandis que zéro est une valeur numérique réellement renvoyée par l’API.

L’archive reçoit un fichier JSON distinct pour chaque requête. Son nom comprend l’heure UTC et une version épurée du terme de recherche. Le CSV stocke des enregistrements à plat pour l’analyse, tandis que le JSON d’origine reste la référence pour examiner de nouveaux champs ou retraiter les données. Ce double format convient aussi bien à un prototype local qu’à une migration ultérieure vers une base de données ou un stockage d’objets.

Pour vérifier la première exécution, ouvrez le JSON et assurez-vous que status vaut ok, que l’objet tiktok est présent et qu’une ou deux des collections prises en charge contiennent des éléments. Comparez ensuite quelques valeurs du CSV avec l’objet source. Vérifiez notamment que les compteurs ne deviennent pas des chaînes erronées, que les dates de publication sont conservées telles quelles et que les liens correspondent aux mêmes vidéos que les ID.

Si une réponse valide ne contient aucune vidéo, consignez ce résultat comme une exécution vide plutôt que comme un échec du code. Si le statut externe ou la réponse HTTP indique une erreur, n’ajoutez pas cette entrée aux observations analytiques : corrigez d’abord le problème et relancez la requête. Pour un processus en production, consignez également le code HTTP, le terme de recherche, l’heure et un bref message d’erreur, en excluant la clé et l’URL complète contenant le secret.

Pagination et reproductibilité de la collecte

La recherche prend en charge le paramètre cursor pour parcourir les résultats. Pour obtenir la page suivante, récupérez le curseur de la réponse précédente et transmettez-le sans le modifier. Le curseur est une valeur opaque de l’API : l’application doit le stocker et le renvoyer tel quel, sans le calculer à partir du nombre de lignes ni l’interpréter comme un numéro de page.

Pour commencer le suivi, vous pouvez vous limiter à une requête par mot-clé et à une même valeur de count. L’interprétation en est plus simple : l’équipe sait que chaque exécution enregistre un instantané limité des résultats. Si vous ajoutez la pagination, conservez chaque page et son curseur, et fixez une limite au nombre de pages par exécution. Cette limite évite qu’une réponse inattendue ne déclenche une boucle sans fin.

Le paramètre date_posted permet de limiter la recherche à l’une des périodes indiquées dans la documentation ; sort_by permet de trier par pertinence, date de publication ou mentions J’aime. Pour analyser les évolutions, consignez ces réglages avec chaque exécution. Comparer des requêtes utilisant des périodes ou des tris différents peut refléter une modification des conditions de recherche plutôt qu’une évolution du sujet lui-même.

Le paramètre cache_timeout contrôle la mise en cache de la réponse. La documentation indique une durée de cache par défaut de 3 600 secondes et la valeur 0 pour désactiver le cache. Pour un suivi planifié, choisissez ces réglages délibérément et enregistrez-les dans la configuration. Si une série de requêtes s’exécute à moins d’une heure d’intervalle et que vous devez distinguer les réponses pendant cette période, vérifiez le comportement du cache avant d’interpréter la répétition des résultats comme une absence d’évolution.

Comparer les observations quotidiennes

Le CSV fournit déjà une base pour un rapport simple. Regroupez les lignes par terme recherché et aweme_id, triez-les selon collected_at et comparez uniquement les paires d’observations où les deux valeurs de la métrique sont présentes. Par exemple, l’écart de vues se calcule en soustrayant la dernière valeur observée de la précédente. Conservez les deux points de mesure : l’écart absolu et le temps écoulé entre les observations sont nécessaires pour interpréter correctement le résultat.

Ne qualifiez pas cet écart de vitesse de visionnage sans préciser l’intervalle de temps. Si une exécution a lieu le matin et la suivante quelques jours plus tard, la valeur représente l’évolution accumulée pendant cette période. Pour obtenir une cadence comparable, vous pouvez diviser l’écart par la durée réelle entre les observations, mais le résultat reste une cadence moyenne entre deux instantanés, et non une télémétrie continue.

Calculez séparément deux types de signaux. Le premier concerne les nouveaux ID apparus dans les résultats de la requête en cours. Le second correspond à l’évolution des statistiques de vidéos déjà observées. Une nouvelle vidéo peut mériter d’être examinée indépendamment de son nombre actuel de vues ; la hausse des indicateurs d’une ancienne vidéo peut aider à repérer une publication qui continue de susciter des réactions. Ces signaux répondent à des questions différentes et servent différents scénarios de planification éditoriale.

Ajoutez quelques contrôles simples de qualité des données : proportion de lignes avec un ID, proportion de lignes avec une description, présence de la date de collecte, nombre de vidéos uniques par requête et nombre de statistiques manquantes. Ces indicateurs permettent de détecter un changement dans la structure habituelle des données avant que l’équipe ne fonde ses conclusions sur un fichier incomplet. Ils montrent également quelles expressions de recherche fournissent un échantillon utile à votre secteur.

Pour un premier rapport, un tableau avec les colonnes suivantes suffit : terme, ID, date de publication, auteur, description, lien, vues actuelles, vues à l’instantané précédent, écart et temps entre les instantanés. Ajoutez un indicateur « nouveau dans l’archive » et un champ d’évaluation éditoriale. Une personne peut noter la pertinence pour la marque, l’adéquation du format et le risque de copier l’idée d’autrui — l’API ne produit pas elle-même ces évaluations.

Ne pas confondre popularité d’une vidéo et intérêt d’un sujet

Les vues, les mentions J’aime, les commentaires et les partages décrivent les réactions publiques à une vidéo donnée. La planification éditoriale dépend aussi du texte : formulation de la question, promesse au début, format d’explication récurrent ou type de démonstration. Transmettez donc à la personne responsable de la rédaction le lien et la description avec les métriques ; un chiffre seul explique rarement le succès d’une publication.

Pour comparer plusieurs vidéos, vous pouvez calculer le ratio d’interactions par rapport aux vues si les deux compteurs sont disponibles. Par exemple, la somme des mentions J’aime, commentaires et partages divisée par le nombre de vues donne un indicateur simple de la proportion de réactions observées. Définissez la formule et n’incluez pas les vidéos dont certaines valeurs manquent, sinon le résultat ne sera pas comparable. Ce ratio décrit uniquement les compteurs publics sélectionnés et les vidéos retenues.

Ne cumulez pas les métriques de plusieurs instantanés comme s’il s’agissait d’événements indépendants. Si la même vidéo apparaît dans cinq réponses quotidiennes, les vues consignées dans ces lignes sont des états successifs d’un même compteur, et non cinq audiences différentes. Pour calculer une somme sur des publications uniques, utilisez un point d’observation cohérent par vidéo — par exemple le dernier instantané de la période examinée — et consignez la règle de sélection.

Les mots qui reviennent dans les descriptions constituent une autre piste utile. Une analyse de texte simple peut regrouper les publications selon des dictionnaires définis à l’avance : « recette », « avis », « avant/après », « erreur », « conseil ». Un classificateur ou un modèle de langage peut proposer des catégories et des résumés concis ; le tableau doit toutefois conserver la description originale et l’URL afin que la personne responsable de la rédaction puisse vérifier l’interprétation en consultant la vidéo.

Automatiser les exécutions planifiées

Après avoir vérifié l’exécution manuelle, programmez la collecte : cron sur votre serveur, GitHub Actions ou un flux de travail n8n/Make. L’intégration doit lancer le même script vérifié, transmettre la clé depuis un gestionnaire de secrets, archiver le JSON et n’envoyer une notification qu’en cas de réussite. Le planificateur dépend de votre infrastructure ; l’appel à l’API et le format de traitement restent les mêmes.

Voici un exemple de tâche cron quotidienne à 08 h 15, selon l’heure de la machine :

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

Avant d’utiliser cette ligne, configurez la variable d’environnement pour le service ou le shell qui exécute cron et définissez le bon fuseau horaire sur l’hôte. Pour plusieurs mots-clés, il est préférable de les stocker dans un fichier et de lancer le script séparément pour chaque requête. Ainsi, une erreur sur une requête n’est pas nécessairement bloquante pour l’ensemble, et les archives sont plus faciles à comparer.

Si le nombre de mots-clés augmente, placez la configuration dans un fichier JSON ou YAML et ajoutez un journal des exécutions précisant leur statut, le nombre de vidéos obtenues et le chemin de l’archive. Pour renforcer la fiabilité, prévoyez un nombre limité de nouvelles tentatives en cas d’erreur réseau temporaire, un délai d’expiration et un traitement distinct des erreurs HTTP. Il ne faut pas relancer les requêtes indéfiniment : la tâche doit se terminer avec un statut visible, afin que l’exécution suivante ne masque pas le problème.

Si les résultats doivent être transférés vers Google Sheets, une base de données ou un tableau de bord interne, ajoutez cette étape après avoir fiabilisé l’archivage. Enregistrez d’abord la réponse d’origine, puis chargez les lignes normalisées ; si l’export échoue, vous pourrez le réessayer à partir de l’archive sans nécessairement relancer la collecte. L’identifiant de la vidéo et l’heure de collecte permettent d’organiser les insertions répétables et de distinguer les nouveaux instantanés des anciens.

Ajouter l’IA : trier, pas remplacer la source

Lorsque l’archive contient de nombreuses descriptions, un modèle peut aider à regrouper les vidéos par thème, repérer les formulations fréquentes et préparer de brèves explications pour la personne responsable de la rédaction. Transmettez au modèle un ensemble limité de champs : terme recherché, description, date de publication et compteurs publics. Demandez-lui de produire des catégories structurées et de courtes justifications, plutôt que d’affirmer avec assurance des causes de popularité qui ne figurent pas dans les données.

Enregistrez les résultats du modèle dans des colonnes distinctes, par exemple ai_topic, summary et review_status. Ne remplacez pas la description d’origine ni les valeurs de l’API. Si les instructions ou le modèle changent, le traitement doit pouvoir être relancé sur les enregistrements conservés ; il est donc utile de stocker la version du prompt et la date de classification.

Une tâche pratique consiste à demander au modèle de proposer des groupes à examiner : « recettes rapides », « comparaison d’appareils », « erreurs de débutant ». Un analyste vérifie ensuite plusieurs exemples de chaque groupe à partir des liens et ajuste le vocabulaire. Cette approche avec intervention humaine fait de l’IA un outil de navigation dans le corpus, tout en laissant accessibles les observations d’origine vérifiables.

Ne demandez pas au modèle de conclure seul à un lien de causalité entre format et audience sur la base d’un petit échantillon de recherche. Il faudrait une méthode définie à l’avance, des publications comparables et des données supplémentaires pour étayer une telle conclusion. Dans le travail éditorial courant, il suffit de classer les éléments à consulter, de formuler des hypothèses sur les sujets récurrents et de dresser une liste de liens à examiner manuellement.

Qualité de l’échantillon et limites des conclusions

Le pipeline enregistre les réponses obtenues pour les requêtes et paramètres définis. Il permet de comparer ces observations, mais la couverture de la recherche est limitée par la requête, le moment de la collecte, les réglages et la réponse du service. Formulez donc vos conclusions avec précision : « parmi les résultats obtenus pour la requête X dans les instantanés de cette semaine, le sujet Y est apparu plus souvent », et non « TikTok parle actuellement de Y dans son ensemble ».

Comparez uniquement des séries paramétrées de la même manière : même région, mêmes paramètres de tri, période de publication et nombre de résultats demandés. Si vous modifiez la requête ou le filtre, identifiez une nouvelle série. Pour analyser la saisonnalité ou une campagne, il est utile de conserver la version de la configuration ; sinon, une modification des données d’entrée pourrait être prise pour une évolution du contenu.

Les métriques publiques peuvent évoluer entre les instantanés et leur ancienneté varie : une vidéo récente et une vidéo ancienne n’en sont pas au même stade d’accumulation des réactions. Pour comparer leurs performances, tenez compte de la date de publication et de la période d’observation. Comparez des publications d’ancienneté similaire ou étudiez l’évolution du même ID entre des instantanés successifs.

Si le projet concerne des concurrents ou des créateurs, limitez la collecte aux besoins du projet et au minimum de données nécessaire. Ne collectez pas d’informations sensibles et n’utilisez pas les indicateurs publics pour évaluer la personnalité d’un auteur. Pour un rapport destiné à l’équipe marketing, le lien, la description, le nom de profil, la date de publication et les métriques agrégées suffisent généralement. Avant d’automatiser la collecte, vérifiez les conditions applicables de la plateforme, les exigences de votre organisation et les règles de conservation des données.

Liste de vérification avant le lancement

• Définissez la question métier : quels sujets, formats ou publications souhaitez-vous repérer ?
• Commencez par quelques expressions de recherche stables et consignez leur orthographe.
• Vérifiez la route /searchVideo, le paramètre obligatoire keyword et les autres paramètres dans la documentation.
• Stockez la clé dans une variable d’environnement et excluez-la des sorties, des journaux et du dépôt.
• Vérifiez le statut externe de la réponse et la présence de l’objet tiktok.
• Traitez à la fois aweme_list et search_item_list[].aweme_info.
• Enregistrez le JSON brut avant la normalisation.
• Laissez vides les champs absents et ne les remplacez pas par des zéros.
• Faites correspondre les publications par aweme_id et transmettez le curseur sans le modifier.
• Consignez la date de collecte et les paramètres de recherche pour chaque instantané.
• Vérifiez manuellement plusieurs vidéos avant de tirer des conclusions ou de transmettre les résultats à un modèle.

Résultat obtenu

Une fois le système configuré, l’équipe dispose d’un processus reproductible : une liste de requêtes est exécutée selon un calendrier, chaque réponse est enregistrée en JSON brut et les observations normalisées sont ajoutées au CSV. L’analyste peut repérer les vidéos nouvellement apparues dans l’archive, consulter leur lien et leur description, comparer les compteurs publics disponibles entre les instantanés et constituer des groupes thématiques.

Pour la personne responsable de la rédaction, le résultat ne sera pas un verdict automatique sur la « tendance principale », mais une courte liste d’éléments vérifiables : nouvelles publications, vidéos dont les indicateurs ont sensiblement évolué et formulations récurrentes autour d’un sujet. Cela raccourcit le passage de la recherche manuelle à la discussion éditoriale, tout en fournissant une base vérifiable pour décider des sujets à intégrer au calendrier.

Vous pouvez commencer par une requête, une exécution locale quotidienne et un fichier CSV. Une fois que vous aurez vérifié que l’échantillon répond à vos besoins, ajoutez une planification, une base de données ou la classification des descriptions. Vous pouvez consulter les paramètres documentés et le rôle des routes dans la documentation de l’API TikTok, et les informations sur l’accès et le produit sur la page de l’API TikTok Scraper de jsonscraper.