Come individuare i primi segnali dei trend TikTok: monitoraggio automatico dei risultati di ricerca

Il team dei contenuti si accorge di un nuovo argomento su TikTok quando i concorrenti ne stanno già parlando. Spesso il motivo è semplice: la ricerca viene controllata manualmente e a intervalli irregolari, mentre i link trovati restano in chat senza una tabella condivisa, una data di raccolta o metriche confrontabili. Per individuare prima i cambiamenti, è utile trasformare la ricerca in un processo ripetibile: registrare le query, salvare regolarmente i video ottenuti e confrontare soltanto i risultati osservati.

Di seguito è illustrato uno schema di monitoraggio in Python con TikTok Scraper API jsonscraper. Può essere utile, per esempio, a un’agenzia che segue diverse query tematiche per il calendario editoriale o a un brand interessato a individuare quali video pubblici su un argomento ottengono visualizzazioni e reazioni significative. L’API restituisce risultati di ricerca di TikTok, inclusi descrizione del video, autore, data di pubblicazione, link e contatori disponibili. Lo script archivia ogni risposta e crea uno snapshot CSV per l’analisi.

Il principio fondamentale è misurare non un «trend» astratto, ma i cambiamenti nel proprio registro di osservazioni: quali video sono apparsi nel campione, quali video già noti hanno modificato i contatori pubblici e quali formulazioni ricorrono nelle descrizioni. Questo approccio offre al team dei contenuti una lista verificabile di argomenti da valutare manualmente e conserva la provenienza di ogni conclusione.

Perché la ricerca manuale non basta per un monitoraggio efficace

I risultati di ricerca sono un campione variabile, non un catalogo stabile di pubblicazioni. Se oggi un dipendente trova dieci video usando una parola e la settimana successiva ripete la ricerca da capo, è difficile confrontare i risultati: i link precedenti potrebbero essere andati persi, la selezione sarà diversa e i contatori avranno nuovi valori. Senza snapshot salvati, non è possibile ricostruire che cosa il team abbia visto in un determinato giorno.

Anche una semplice raccolta quotidiana risolve una parte del problema. Per ogni esecuzione si salvano la data di osservazione, il termine di ricerca, l’identificativo del video, l’autore, la descrizione, il link e le metriche disponibili. All’esecuzione successiva è possibile abbinare le righe tramite l’ID video e calcolare la differenza tra i valori dei contatori, se entrambe le versioni contengono i relativi campi.

Questi valori vanno interpretati come metriche pubbliche dei video comparsi nella risposta API, non come copertura totale di TikTok o classifica esaustiva di popolarità. I risultati di ricerca possono cambiare, alcuni campi possono mancare e le metriche dipendono dal momento della raccolta. L’obiettivo della pipeline è quindi creare un campione di lavoro riproducibile e individuare contenuti da verificare, non dichiarare che un argomento è un trend universale sulla base di un solo numero.

Schema della soluzione: ricerca, archivio, confronto

La pipeline è composta da cinque parti: configurazione delle parole chiave, richiesta all’API, archivio JSON non modificato, livello di record normalizzati e report delle variazioni. Questa suddivisione consente di verificare ogni fase separatamente. Se lo schema della risposta cambia o mancano determinati campi, il JSON originale resta disponibile per una nuova elaborazione.

1. Definisci le query. Usa frasi specifiche legate a un prodotto, a un settore o a un’esigenza del pubblico. Per esempio, un brand di elettrodomestici da cucina può seguire «meal prep», «air fryer recipes» e il nome di una categoria specifica di prodotti. Salva l’elenco delle query in un file di configurazione anziché inserirlo direttamente nella logica di elaborazione.
2. Definisci le regole di raccolta. Scegli una pianificazione e un numero contenuto di risultati per il progetto pilota. Registra data, area geografica e parametri di ricerca. Per il confronto nel tempo è più importante ripetere le stesse impostazioni che cercare di raccogliere la risposta più ampia possibile a ogni esecuzione.
3. Conserva la risposta originale. Salva il JSON insieme all’ora di esecuzione e al termine di ricerca. L’archivio permette di recuperare il record originale e correggere la normalizzazione senza effettuare una nuova chiamata API.
4. Normalizza i campi confermati. Estrai solo i campi presenti nella risposta: ID, didascalia, ora di pubblicazione, autore, link e valori statistici disponibili. Lascia vuoti i valori mancanti, senza sostituirli con zero.
5. Confronta gli snapshot. Abbina i video tramite ID e conserva separatamente ogni osservazione. In seguito sarà possibile individuare le nuove pubblicazioni nell’archivio e calcolare le differenze tra i valori delle metriche osservate.

Per il test iniziale scegli due o tre query e un numero contenuto di risultati. Verifica quanto descrizioni e autori siano pertinenti al tuo obiettivo, quali campi vengano effettivamente restituiti e quanto il campione si ripeta a parità di condizioni. Solo dopo ha senso ampliare l’elenco dei termini e pianificare le esecuzioni automatiche.

Che cosa si può richiedere con TikTok Scraper API

Nella documentazione ufficiale di jsonscraper, l’endpoint GET /searchVideo serve a cercare video tramite parola chiave. Il parametro obbligatorio è keyword. Tra i parametri facoltativi documentati figurano count, cursor, date_posted, sort_by, region e cache_timeout. La documentazione indica valori come this-week e this-month per date_posted, e relevance, most-liked e date-posted per sort_by. I nomi esatti e le funzioni dei parametri sono riportati nella guida agli endpoint TikTok API.

L’indirizzo di base del servizio è https://tiktok.evelode.com; la chiave viene passata come parametro di query license_key. Nell’esempio seguente, la chiave è conservata nella variabile d’ambiente JSONSCRAPER_TIKTOK_LICENSE_KEY. In questo modo il segreto non viene inserito direttamente nel codice sorgente né stampato nel log di esecuzione.

La risposta va analizzata tenendo conto della struttura annidata. Per prima cosa controlla il valore esterno di status, poi passa all’oggetto tiktok. Per la ricerca sono possibili due forme dell’elenco: i video possono trovarsi direttamente in tiktok.aweme_list, oppure negli elementi aweme_info contenuti in tiktok.search_item_list. In una risposta di ricerca, aweme_list può essere vuoto anche se sono presenti video in search_item_list. Lo script seguente supporta entrambe le forme.

Nell’oggetto del video, la documentazione e un esempio di risposta verificato mostrano campi come aweme_id, desc, create_time, share_url, informazioni sull’autore e l’oggetto statistics. Le statistiche possono includere contatori di visualizzazioni, «Mi piace», commenti e condivisioni. Verifica ogni volta quali campi siano presenti e che cosa rappresentino: il codice lascia vuoti quelli mancanti. L’esempio dell’endpoint e i relativi parametri documentati sono disponibili nella descrizione di TikTok Scraper API.

Esempio funzionante in Python

L’esempio richiede Python 3.8 o versioni successive e utilizza il pacchetto requests. Installalo con il comando python -m pip install requests. Salva il codice in un file chiamato collect_tiktok.py, imposta la chiave nell’ambiente ed esegui lo script indicando una parola di ricerca. Lo script crea la directory data, salva il JSON originale e aggiunge le osservazioni normalizzate al 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):
    """Raccoglie i video dalle varianti confermate della risposta 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)

    # Rimuove i duplicati mantenendo l'ordine e i record senza 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("Imposta JSONSCRAPER_TIKTOK_LICENSE_KEY nell'ambiente")

    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 ha restituito uno stato diverso da ok")

    tiktok = payload.get("tiktok")
    if not isinstance(tiktok, dict):
        raise RuntimeError("La risposta non contiene un oggetto TikTok con i risultati")
    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) 

Passa la chiave tramite l’ambiente. In una shell Bash, il comando per la sessione corrente è:

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

In Windows PowerShell puoi impostare la variabile per il processo corrente con il comando $env:JSONSCRAPER_TIKTOK_LICENSE_KEY="la_tua_chiave" e poi eseguire lo stesso file Python. Non aggiungere la chiave al repository, al CSV, all’archivio delle risposte o ai messaggi di errore. Poiché l’API accetta la chiave come parametro di query, tieni presente che l’URL completo della richiesta potrebbe finire nei log del client HTTP e dell’infrastruttura; configura la registrazione in modo da escludere i segreti.

Come leggere il codice e verificare i risultati

La funzione fetch passa i parametri documentati e controlla il codice HTTP, lo stato esterno e la presenza dell’oggetto tiktok. Non considera riuscita qualsiasi risposta formalmente valida: se il formato è inatteso, l’esecuzione si interrompe con un errore comprensibile. In questo modo è più facile distinguere un risultato vuoto da un problema di accesso o da un cambiamento nella struttura.

La funzione get_videos combina gli elementi dell’elenco diretto aweme_list con i record annidati in search_item_list[].aweme_info. Elimina poi i duplicati tramite aweme_id, perché un video potrebbe comparire in entrambe le raccolte. Se l’ID manca, il record viene conservato: così è possibile esaminare il risultato originale senza inventare un valore sostitutivo.

La normalizzazione accede in modo sicuro agli oggetti annidati. I campi dell’autore o delle statistiche potrebbero mancare, perciò il codice usa un oggetto vuoto prima di leggerli. Le celle corrispondenti nel CSV restano vuote. Questa distinzione è importante: una cella vuota significa che il valore non era presente nell’osservazione, mentre zero è un valore numerico effettivamente restituito dall’API.

L’archivio contiene un file JSON separato per ogni richiesta. Il nome comprende l’ora UTC e una versione ripulita del termine di ricerca. Il CSV contiene record tabulari adatti all’analisi, mentre il JSON originale resta il riferimento per esaminare nuovi campi o ripetere l’elaborazione. Questo doppio formato è comodo sia per un prototipo locale sia per una successiva migrazione a un database o a un archivio di oggetti.

Per verificare la prima esecuzione, apri il JSON e controlla che status sia ok, che sia presente un oggetto tiktok e che una o entrambe le raccolte supportate contengano elementi. Confronta poi alcuni valori del CSV con l’oggetto originale. In particolare, verifica che i contatori non diventino stringhe errate, che le date di pubblicazione siano conservate come valori originali e che i link corrispondano ai video identificati dagli ID.

Se una risposta valida non contiene video, registra il risultato dell’esecuzione come vuoto, non come errore del codice. Se lo stato esterno o la risposta HTTP indicano un errore, non aggiungere quel record alle osservazioni analitiche: prima individua la causa e ripeti l’esecuzione. Per un processo in produzione, conviene registrare anche il codice HTTP, il termine di ricerca, l’ora e un breve messaggio di errore, escludendo la chiave e l’URL completo contenente il segreto.

Paginazione e ripetibilità della raccolta

La ricerca supporta il parametro cursor per scorrere i risultati. Per recuperare la pagina successiva, prendi il cursore dalla risposta precedente e passalo senza modificarlo. Il cursore è un valore opaco dell’API: l’applicazione deve conservarlo e restituirlo così com’è, senza calcolarlo in base al numero di righe né interpretarlo come numero di pagina.

Per il monitoraggio iniziale puoi limitarti a una richiesta per parola chiave e mantenere lo stesso valore di count. È più semplice da interpretare: il team sa che ogni esecuzione salva uno snapshot limitato dei risultati. Se aggiungi la paginazione, salva ogni pagina e il relativo cursore, e imposta un limite di pagine per esecuzione. Questo limite protegge il processo da un ciclo infinito in caso di risposta inattesa.

Il parametro date_posted consente di limitare la ricerca a uno dei periodi elencati nella documentazione; sort_by permette di scegliere l’ordinamento per pertinenza, data di pubblicazione o «Mi piace». Se analizzi l’andamento nel tempo, registra queste impostazioni insieme a ogni esecuzione. Il confronto tra richieste con periodi o ordinamenti diversi può riflettere un cambiamento nelle condizioni di ricerca, non nell’argomento stesso.

Il parametro cache_timeout controlla la memorizzazione nella cache della risposta. La documentazione indica una finestra di cache predefinita di 3600 secondi e il valore 0 per disattivarla. Per il monitoraggio pianificato, scegli consapevolmente le impostazioni e salvale nella configurazione. Se una serie di richieste viene avviata più spesso di una volta all’ora e occorre distinguere le risposte all’interno di questa finestra, verifica prima il comportamento della cache, prima di interpretare risultati ripetuti come assenza di cambiamenti.

Confrontare le osservazioni quotidiane

Il CSV contiene già le basi per un report semplice. Raggruppa le righe per termine di ricerca e aweme_id, ordinale per collected_at e confronta solo le coppie di osservazioni in cui entrambi i valori della metrica sono presenti. Per esempio, la differenza nelle visualizzazioni si può calcolare sottraendo il valore osservato in precedenza da quello più recente. Conserva entrambi i valori originali: la differenza assoluta e il tempo trascorso tra le osservazioni sono necessari per interpretare correttamente il risultato.

Non chiamare questa differenza «velocità di visualizzazione» senza specificare l’intervallo temporale. Se una raccolta avviene al mattino e la successiva dopo alcuni giorni, il valore rappresenta l’aumento accumulato in quel periodo. Per ottenere un ritmo confrontabile, puoi dividere la differenza per la durata effettiva tra le osservazioni, ma il risultato resta una media tra due snapshot, non una telemetria continua.

Calcola separatamente due tipi di segnali. Il primo è costituito dai nuovi ID apparsi nei risultati della query corrente. Il secondo è la variazione delle statistiche dei video già osservati. Un nuovo video può essere candidato alla verifica indipendentemente dal numero attuale di visualizzazioni; l’aumento dei valori di un video già noto aiuta invece a notare che continua a ricevere reazioni. I due segnali rispondono a domande diverse e sono utili in diversi scenari di pianificazione editoriale.

Aggiungi semplici controlli sulla qualità dei dati: percentuale di righe con ID, percentuale di righe con descrizione, presenza della data di raccolta, numero di video unici per query e numero di statistiche mancanti. Queste misure aiutano a rilevare che la pipeline non riceve più la struttura abituale prima che il team tragga conclusioni da un file incompleto. Mostrano anche quali frasi di ricerca producono un campione utile per il tuo settore.

Per il primo report basta una tabella con queste colonne: termine, ID, data di pubblicazione, autore, descrizione, link, visualizzazioni attuali, visualizzazioni nello snapshot precedente, differenza e intervallo tra gli snapshot. Aggiungi un flag «nuovo nell’archivio» e un campo per la valutazione editoriale. Un dipendente può annotare la pertinenza per il brand, l’idoneità del formato e il potenziale rischio di copiare l’idea altrui: l’API non esegue queste valutazioni.

Come non confondere la popolarità di un video con l’utilità di un argomento

Visualizzazioni, «Mi piace», commenti e condivisioni aiutano a descrivere la reazione pubblica a un singolo video. Per pianificare i contenuti conta anche il testo: la formulazione della domanda, la promessa iniziale, il formato esplicativo ricorrente o il tipo di dimostrazione. Perciò passa all’editor il link e la descrizione insieme alle metriche: raramente un singolo numero spiega perché una pubblicazione abbia funzionato.

Confrontando più video, puoi calcolare il rapporto tra interazioni e visualizzazioni, se entrambi i contatori sono presenti. Per esempio, la somma di «Mi piace», commenti e condivisioni divisa per le visualizzazioni fornisce un semplice indicatore della quota di reazioni osservate. Definisci la formula e non mescolare video con valori mancanti: altrimenti i risultati non saranno confrontabili. Questo coefficiente descrive soltanto i contatori pubblici selezionati e i video inclusi nel campione.

Non sommare le metriche di più snapshot come se rappresentassero eventi indipendenti. Se lo stesso video compare in cinque risposte giornaliere, le sue visualizzazioni in quelle righe sono stati successivi dello stesso contatore, non cinque pubblici distinti. Per calcolare il totale delle pubblicazioni uniche, usa un unico punto di osservazione coerente per ciascun video, per esempio l’ultimo snapshot del periodo di riferimento, e conserva la regola di selezione.

Un’altra analisi utile riguarda le parole ricorrenti nelle descrizioni. Una semplice analisi testuale può raggruppare le pubblicazioni usando dizionari predefiniti: «ricetta», «recensione», «prima/dopo», «errore», «consiglio». Un classificatore o un modello linguistico può proporre categorie e brevi riepiloghi; nella tabella, però, conserva la descrizione originale e l’URL, così l’editor può verificare l’interpretazione direttamente dal video.

Automazione pianificata

Dopo aver verificato l’esecuzione manuale, sposta la raccolta in uno scheduler: cron su un server proprio, GitHub Actions oppure un flusso di lavoro in n8n/Make. L’integrazione deve avviare lo stesso script già verificato, passare la chiave da un archivio di segreti, archiviare il JSON e inviare una notifica solo al termine di un’esecuzione riuscita. L’implementazione concreta dello scheduler dipende dall’infrastruttura; la chiamata API e il formato di elaborazione restano invariati.

Esempio di pianificazione cron per un’esecuzione quotidiana alle 08:15, secondo l’ora della macchina:

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

Prima di usare questa riga, configura la variabile d’ambiente nel servizio o nella shell utilizzata da cron e imposta correttamente il fuso orario dell’host. Per più parole chiave, è preferibile conservare l’elenco in un file e avviare lo script separatamente per ogni query. In questo modo un errore relativo a una query non deve necessariamente annullare l’intero gruppo e gli archivi sono più facili da confrontare.

Quando il numero di parole chiave aumenta, sposta la configurazione in JSON o YAML e aggiungi un registro delle esecuzioni con stato, numero di video ricevuti e percorso dell’archivio. Per maggiore affidabilità, prevedi un numero limitato di tentativi in caso di errore di rete temporaneo, un timeout e una gestione distinta degli errori HTTP. Non effettuare tentativi all’infinito: il processo deve terminare con uno stato visibile, in modo che l’esecuzione successiva non nasconda il problema.

Se i risultati devono essere trasferiti a Google Sheets, a un database o a un pannello interno, aggiungi questa fase dopo aver reso affidabile l’archiviazione. Prima salva la risposta originale, poi carica le righe normalizzate; se il caricamento fallisce, puoi ripeterlo a partire dall’archivio senza necessariamente raccogliere di nuovo i dati. L’ID del video e l’ora di raccolta aiutano a rendere ripetibile l’inserimento e a distinguere un nuovo snapshot da uno precedente.

Aggiungere l’IA: il ruolo giusto è ordinare, non sostituire la fonte

Quando l’archivio contiene molte descrizioni, un modello può aiutare a raggruppare i video per argomento, individuare formulazioni frequenti e preparare brevi note per l’editor. Passa al modello un insieme limitato di campi: termine di ricerca, descrizione, data di pubblicazione e contatori pubblici. Chiedi categorie strutturate e una breve motivazione, non affermazioni sicure sulle cause della popolarità che i dati non dimostrano.

Conserva i risultati del modello in colonne separate, ad esempio ai_topic, summary e review_status. Non sovrascrivere la descrizione originale né i valori dell’API. Se cambiano le istruzioni o il modello, deve essere possibile ripetere l’elaborazione sui record salvati; per questo è utile conservare la versione del prompt e la data della classificazione.

Un compito pratico per il modello è proporre cluster all’editor: «ricette rapide», «confronti tra dispositivi», «errori dei principianti». Un analista controlla quindi alcuni esempi in ogni cluster tramite i link e corregge il dizionario. Questo processo human-in-the-loop trasforma l’IA in uno strumento di navigazione nel corpus, mantenendo accessibili le osservazioni originali verificabili.

Non incaricare il modello di stabilire autonomamente un nesso causale tra formato e copertura sulla base di un piccolo campione di ricerca. Per arrivare a questa conclusione occorrono una metodologia definita in anticipo, pubblicazioni confrontabili e dati aggiuntivi. Nel lavoro editoriale pratico è sufficiente ordinare i contenuti da esaminare, formulare ipotesi su temi ricorrenti e creare un elenco di link da analizzare manualmente.

Qualità del campione e limiti delle conclusioni

La pipeline salva le risposte ottenute con le query e i parametri impostati. Aiuta a confrontare queste osservazioni, ma la copertura della ricerca è limitata dalla query specifica, dal momento della raccolta, dalle impostazioni e dalla risposta del servizio. Formula quindi le conclusioni con precisione: «tra i risultati ottenuti con la query X negli snapshot di questa settimana, il tema Y è apparso più spesso», non «in questo momento tutto TikTok parla di Y».

Confronta soltanto serie configurate nello stesso modo: stessa area geografica, stessi parametri di ordinamento, periodo di pubblicazione e numero di risultati richiesti. Se modifichi una query o un filtro, indica che si tratta di una nuova serie. Per analizzare la stagionalità o una campagna, è utile conservare la versione della configurazione; altrimenti una modifica agli input potrebbe sembrare un cambiamento nei contenuti.

Le metriche pubbliche possono aggiornarsi tra uno snapshot e l’altro e avere età diverse: un video appena pubblicato e uno più vecchio si trovano in fasi diverse di accumulo delle reazioni. Per confrontare le prestazioni, considera la data di pubblicazione e l’intervallo di osservazione. Confronta pubblicazioni di età simile oppure analizza l’andamento dello stesso ID in snapshot consecutivi.

Se il progetto riguarda concorrenti o autori, limita la raccolta allo scopo previsto e ai dati strettamente necessari. Non raccogliere informazioni sensibili né usare indicatori pubblici per valutare la persona dell’autore. Per un report destinato al team marketing, di solito bastano il link, la descrizione, il nome del profilo, l’ora di pubblicazione e le metriche aggregate. Prima di automatizzare il processo, verifica le condizioni applicabili della piattaforma, i requisiti della tua organizzazione e le regole di conservazione dei dati.

Checklist pratica prima dell’avvio

• Definisci l’obiettivo aziendale: quali argomenti, formati o pubblicazioni vuoi individuare.
• Inizia con alcune frasi di ricerca stabili e registrane la formulazione esatta.
• Verifica l’endpoint /searchVideo, il parametro obbligatorio keyword e gli altri parametri nella documentazione.
• Conserva la chiave in una variabile d’ambiente ed escludila dall’output, dai log e dal repository.
• Controlla lo stato esterno della risposta e la presenza dell’oggetto tiktok.
• Gestisci sia aweme_list sia search_item_list[].aweme_info.
• Salva il JSON grezzo prima della normalizzazione.
• Lascia vuoti i campi mancanti e non sostituirli con zero.
• Abbina le pubblicazioni tramite aweme_id e passa il cursore senza modificarlo.
• Registra la data di raccolta e i parametri di ricerca per ogni snapshot.
• Controlla manualmente alcuni video prima di trarre conclusioni o passare i risultati a un modello.

Che cosa si ottiene

Una volta configurato il processo, il team avrà un flusso ripetibile: un elenco di query mirate viene eseguito secondo una pianificazione, ogni risposta viene salvata come JSON originale e le osservazioni normalizzate vengono aggiunte al CSV. L’analista potrà individuare i video nuovi per l’archivio, tornare al link e alla descrizione, confrontare gli indicatori pubblici disponibili tra gli snapshot e creare gruppi tematici.

Per l’editor, il risultato non sarà un verdetto automatico sul «trend principale», ma un breve elenco di contenuti verificabili: nuove pubblicazioni, video con variazioni significative delle metriche e formulazioni ricorrenti. Ciò riduce il tempo che separa la ricerca manuale dalla discussione dell’argomento e fornisce una base documentabile per decidere che cosa includere nel piano editoriale.

Puoi iniziare con una query, un’esecuzione locale quotidiana e un file CSV. Quando avrai verificato che il campione è adatto allo scopo, aggiungi una pianificazione, un database o la classificazione delle descrizioni. Puoi consultare i parametri documentati e le funzioni degli endpoint nella documentazione di TikTok API e trovare informazioni sull’accesso e sul prodotto nella pagina di TikTok Scraper API jsonscraper.