Michael Johnson영업팀은 여러 채널에서 같은 질문을 받습니다. 잠재 고객은 이미 어떤 문제를 해결하려고 할까요? TikTok을 수동으로 검색하면 동영상이 쏟아지지만, 일주일 뒤에 검색을 반복하거나 결과를 비교하고 특정 동영상이 보고서에 포함된 이유를 설명하기는 어렵습니다. 소규모 조사에서는 몇 가지 구체적인 검색어로 공개된 검색 결과를 재현 가능한 데이터 흐름으로 바꿀 수 있습니다. 원본 응답을 저장하고, 동영상과 작성자 필드를 추출하고, 중복을 제거한 뒤, 구매 의도나 제품 선택의 징후를 별도로 평가하면 됩니다.
아래는 jsonscraper의 TikTok Scraper API를 이용한 Python 구현 방식입니다. 예를 들어 영상 편집 서비스는 크리에이터들이 자막, 템플릿, 내보내기 관련 어려움을 어떻게 설명하는지 살펴볼 수 있습니다. 스크립트는 검색 결과로 반환된 항목을 수집하고, 분석가는 분류를 검토한 뒤 잠재고객 조사에 사용할 표현을 결정합니다. 이는 공개 콘텐츠 관찰을 체계화하는 방법이지, 구매 의도가 있는 모든 사용자를 자동으로 집계하는 방법은 아닙니다.
문제: 잠재고객의 검색어는 있지만 조사를 반복하기 어렵다
수동 조사는 맥락을 쉽게 잃습니다. 한 직원은 ‘자막 추가하는 방법’을 검색하고, 다른 직원은 ‘Reels 자동 자막’을 검색하며, 세 번째 직원은 마음에 드는 동영상만 저장할 수 있습니다. 최종 스프레드시트에는 서로 다른 검색어와 날짜, 지표, 선정 기준이 뒤섞입니다. 관리자가 분석을 반복하거나 2주간의 결과를 비교해 달라고 요청하면 결과뿐 아니라 검색 과정까지 다시 복원해야 합니다.
관찰 단위를 미리 정하는 편이 더 유용합니다. 설명문, 식별자, 링크, 작성자, 공개된 지표를 갖춘 검색 동영상이 그 단위가 될 수 있습니다. 각 동영상에는 원래 검색어와 수집 시각도 저장합니다. 그러면 어떤 표현이 등장하는지, 어떤 문제가 언급되는지, 공개 반응이 더 많은 동영상은 무엇인지, 저장한 스냅샷 사이에 무엇이 달라졌는지를 각각 살펴볼 수 있습니다.
예를 들어 자막과 짧은 동영상 제작 도구를 개발하는 회사를 생각해 보겠습니다. 이 회사는 크리에이터가 수동 전사, 음성 인식 오류, 자막 타이밍, 여러 플랫폼용 콘텐츠 준비를 직접 논의하는 공개 동영상을 찾고 싶어 합니다. 단 하나의 동영상을 근거로 작성자에게 ‘리드’나 ‘구매자’라는 꼬리표를 붙여서는 안 됩니다. 연구자는 관찰 가능한 징후를 바탕으로 콘텐츠의 우선순위를 정하고, 이후 직접 결론을 검토할 수 있습니다.
해결 방식: 검색, 기록, 정제, 평가
파이프라인은 네 단계로 구성됩니다. 먼저 팀이 잠재고객의 구체적인 문제와 각각 연결되는 소규모 검색어 사전을 만듭니다. 다음으로 스크립트가 동영상 검색을 요청하고 전체 JSON 응답을 저장합니다. 세 번째 단계에서는 응답 구조가 달라도 각 동영상을 동일한 형식의 행으로 정규화하고 식별자로 중복을 제거합니다. 마지막으로 규칙이나 별도의 AI 분류기가 수동 검토 우선순위를 부여하고, 평가 이유도 함께 보존합니다.
이 단계를 분리하면 재현성이 높아집니다. 원본 응답을 활용하면 필드 변화나 정규화 오류를 조사할 수 있습니다. 정규화된 표는 필터링과 시각화에 편리합니다. 별도의 평가 표를 두면 저장된 데이터가 재처리에 적합하고 팀의 보존 기간 정책을 준수하는 한, API를 다시 호출하지 않고도 규칙을 바꿀 수 있습니다.
기본 검색어로 ‘자동 자막 오류’, ‘자막 빠르게 추가하는 방법’, ‘비즈니스용 짧은 동영상 편집’을 사용할 수 있습니다. 이는 검색어 사전의 예시일 뿐이며, 실제 표현은 잠재고객의 언어와 제품에 맞게 조정해야 합니다. 서로 다른 검색어는 서로 다른 표본을 만들기 때문에 검색어를 결과와 함께 저장해야 합니다.
TikTok Scraper API가 제공하는 기능
jsonscraper에 공개된 문서에는 동영상 검색용 GET 경로 /searchVideo가 기본 주소 https://tiktok.evelode.com에 명시되어 있습니다. 필수 매개변수는 keyword이며, 문서에 기재된 선택 매개변수로는 count, cursor, region, date_posted, sort_by, cache_timeout이 있습니다. 예를 들어 sort_by는 문서에 명시된 most-liked, relevance, date-posted 값을 받으며, date_posted에는 this-week, all-time과 같은 값이 사용됩니다. 매개변수의 정확한 목록과 경로의 용도는 TikTok API 엔드포인트 가이드에 설명되어 있습니다.
키는 license_key 쿼리 매개변수로 전달됩니다. 아래 예제에서는 비밀 키를 코드에 저장하거나 로그에 출력하지 않도록 JSONSCRAPER_TIKTOK_LICENSE_KEY 환경 변수에서 읽습니다. 인증과 매개변수 선택에는 현재 사용 중인 접근 조건을 따르세요. TikTok Scraper API 페이지에는 제품 설명과 데모 및 문서로 이동하는 링크가 있습니다.
응답을 처리할 때는 배열이 하나뿐이라고 가정하지 말고 실제 구조를 확인해야 합니다. 확인된 예시에서 API는 최상위 상태와 tiktok 객체를 반환했습니다. 동영상은 tiktok.aweme_list에 있을 수 있으며, 검색 결과에서는 tiktok.search_item_list[].aweme_info 구조도 나타납니다. 두 형식을 모두 확인하세요. 결과 객체에 해당 필드가 있으면 동영상 식별자, 설명, 링크, 게시 시간, 작성자 정보, 조회수·좋아요·댓글·공유 수와 같은 통계를 확인할 수 있습니다. 지표와 필드는 누락될 수 있으므로 값이 없는 곳에 코드가 임의의 0을 넣어서는 안 됩니다.
검색 페이지네이션에는 cursor를 사용합니다. 스크립트가 결과를 이어서 가져온다면 받은 값을 불투명한 다음 요청 토큰으로 전달해야 하며, 직접 계산해서는 안 됩니다. 초기 프로토타입에서는 검색어당 한 페이지로 수집을 제한하는 편이 합리적입니다. 이렇게 하면 검증이 쉬워지고 부하를 예측할 수 있습니다. 이후 페이지 수 제한과 반복 커서 방지 기능을 추가해 페이지네이션을 적용할 수 있습니다.
환경 준비
예제는 Python 3.8 이상과 표준 라이브러리를 사용합니다. macOS 또는 Linux 셸에서 다음과 같이 환경 변수에 키를 설정하세요.
export JSONSCRAPER_TIKTOK_LICENSE_KEY="사용자_키"
python tiktok_demand.pyWindows PowerShell에서는 다음과 같이 변수를 설정할 수 있습니다.
$env:JSONSCRAPER_TIKTOK_LICENSE_KEY="사용자_키"
python .\tiktok_demand.py스크립트는 키워드마다 별도의 요청을 보냅니다. HTTP 오류, JSON 응답, 외부 상태를 확인한 뒤 확인된 두 배열 구조에서 객체를 추출합니다. 원본 응답은 JSONL 파일에 한 줄씩 기록됩니다. 각 레코드에는 검색어, 관찰 시각, 원본 응답이 포함됩니다. 두 번째 단계에서는 필드를 통일한 CSV를 만듭니다. 코드에는 키 파일이 없으며 비밀 값은 출력되지 않습니다.
예제: 검색 결과 수집 및 정규화
import csv
import json
import os
import time
from datetime import datetime, timezone
from pathlib import Path
from urllib.error import HTTPError, URLError
from urllib.parse import urlencode
from urllib.request import Request, urlopen
BASE_URL = "https://tiktok.evelode.com/searchVideo"
QUERIES = [
"자동 자막 오류",
"자막 빠르게 추가하는 방법",
"비즈니스용 짧은 동영상 편집",
]
def extract_videos(payload):
"""관찰된 두 가지 검색 응답 구조를 모두 지원합니다."""
tiktok = payload.get("tiktok") or {}
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
video = item.get("aweme_info")
if isinstance(video, dict):
videos.append(video)
return videos
def fetch(query, license_key):
params = {
"keyword": query,
"count": 20,
"sort_by": "relevance",
"date_posted": "this-month",
"region": "US",
"license_key": license_key,
}
url = BASE_URL + "?" + urlencode(params)
request = Request(url, headers={"Accept": "application/json"})
try:
with urlopen(request, timeout=45) as response:
payload = json.loads(response.read().decode("utf-8"))
except HTTPError as exc:
raise RuntimeError("API가 HTTP 상태 {}를 반환했습니다".format(exc.code)) from exc
except (URLError, TimeoutError, json.JSONDecodeError) as exc:
raise RuntimeError("API 요청을 완료하거나 응답을 파싱하지 못했습니다") from exc
if payload.get("status") != "ok":
raise RuntimeError("API 응답 상태가 ok가 아닙니다")
return payload
def metric(statistics, key):
value = statistics.get(key)
return value if isinstance(value, (int, float)) else ""
def main():
license_key = os.environ.get("JSONSCRAPER_TIKTOK_LICENSE_KEY")
if not license_key:
raise SystemExit("환경 변수에 JSONSCRAPER_TIKTOK_LICENSE_KEY를 설정하세요")
raw_path = Path("tiktok_raw.jsonl")
csv_path = Path("tiktok_videos.csv")
seen_ids = set()
rows = []
with raw_path.open("a", encoding="utf-8") as raw_file:
for query in QUERIES:
observed_at = datetime.now(timezone.utc).isoformat()
payload = fetch(query, license_key)
raw_file.write(json.dumps({
"query": query,
"observed_at": observed_at,
"response": payload,
}, ensure_ascii=False) + "\n")
for video in extract_videos(payload):
video_id = video.get("aweme_id")
if not video_id or video_id in seen_ids:
continue
seen_ids.add(video_id)
author = video.get("author") or {}
stats = video.get("statistics") or {}
rows.append({
"query": query,
"observed_at": observed_at,
"video_id": video_id,
"created_at": video.get("create_time", ""),
"description": video.get("desc", ""),
"share_url": video.get("share_url", ""),
"author_username": author.get("unique_id", ""),
"author_nickname": author.get("nickname", ""),
"views": metric(stats, "play_count"),
"likes": metric(stats, "digg_count"),
"comments": metric(stats, "comment_count"),
"shares": metric(stats, "share_count"),
})
time.sleep(1)
columns = [
"query", "observed_at", "video_id", "created_at", "description",
"share_url", "author_username", "author_nickname", "views",
"likes", "comments", "shares",
]
with csv_path.open("w", newline="", encoding="utf-8") as csv_file:
writer = csv.DictWriter(csv_file, fieldnames=columns)
writer.writeheader()
writer.writerows(rows)
print("반환된 고유 동영상 {}개를 {}에 저장했습니다".format(len(rows), csv_path))
if __name__ == "__main__":
main()여기서 count는 요청할 표본 크기로 설정되어 있습니다. 스크립트는 API가 반드시 그 수만큼 반환한다고 가정하지 않습니다. 실제 행 수는 응답에 따라 달라집니다. 요청 사이의 대기 시간은 실행 속도를 조절하기 위한 간단한 조치이지, 서비스의 한도나 요구 사항을 의미하지 않습니다. 운영 환경에서 일정에 따라 실행하려면 현재 플랜 조건에 맞춰 제한된 재시도 처리, 오류 모니터링, 허용 요청 빈도 규칙을 추가하세요.
결과 표 읽는 방법
CSV의 각 행은 검색어 중 하나로 찾은 고유 반환 동영상 한 개를 나타냅니다. query 필드는 레코드의 출처를, observed_at은 스냅샷 시각을, video_id는 중복 제거 키를 나타냅니다. 설명과 링크를 통해 분석가가 맥락을 확인할 수 있고, 공개 카운터로는 수집 당시의 반응을 살펴볼 수 있습니다. 장기 비교에는 별도의 관찰 기록을 사용하세요. 지표의 변화를 확인해야 한다면 과거 기록을 덮어쓰지 마세요.
조회수, 좋아요, 댓글, 공유 수는 요청 시점에 API가 반환한 공개 통계 스냅샷입니다. 개별 객체에서 누락될 수 있으므로 CSV의 빈 값은 응답에 숫자 필드가 없었다는 뜻입니다. 이는 0과 다르며 집계 계산에서 별도로 처리해야 합니다. 또한 검색 결과는 구체적인 검색어, 지역, 기간 필터, 요청 매개변수에 따른 표본을 보여 줍니다. 이는 반환된 동영상만 설명할 뿐, 플랫폼 전체의 콘텐츠나 잠재고객 규모를 나타내지는 않습니다.
초기 잠재 관련성 평가는 문제를 나타내는 표현과의 일치 여부, 사용 도구 언급, 가격이나 비교에 관한 질문, 구체적인 업무 시나리오의 존재 여부처럼 투명한 규칙으로 구성할 수 있습니다. 불투명한 점수만 기록하기보다 개별 신호와 평가 이유를 저장하는 편이 좋습니다. 예를 들어 자동 전사의 정확도에 관한 질문이 있는 동영상은 ‘검토: 품질 논의’로 표시하고, 일반적인 콘텐츠 팁 동영상은 ‘주제 관련성 낮음’으로 표시할 수 있습니다.
AI를 심판이 아닌 보조 도구로 활용하기
표본이 쌓이면 모델이 사전에 정의한 분류 체계에 따라 설명문을 라벨링하도록 할 수 있습니다. 예를 들어 문제, 언급된 도구, 질문의 어조, 제품 선택 신호 유무를 분류하게 할 수 있습니다. 설명문과 레코드 식별자처럼 필요한 필드만 모델에 전달하고, 라벨과 짧은 근거를 담은 고정 JSON 형식으로 응답하도록 요청하세요. 지침 버전, 모델, 결과를 원본 행과 함께 저장하면 분류를 반복하거나 일부 결과를 사람이 검토할 수 있습니다.
유용한 분류기 지침은 관찰 가능한 특징만으로 판단하도록 제한해야 합니다. 텍스트에 자막 관련 문제가 명시되어 있는지, 도구 추천을 요청하는지, 업무 절차를 논의하는지 판단하도록 요청하세요. 정보가 부족하면 ‘맥락 부족’ 범주를 제공해야 합니다. 단 하나의 공개 동영상만으로 작성자의 신원, 구매 의도, 인구통계 특성을 추론해서는 안 됩니다. 결과는 분석할 주제의 검토 대기열이지, 자동 연락 대상자 목록이 아닙니다.
라벨링 품질을 평가하려면 무작위 표본을 뽑아 같은 범주를 직접 표시하세요. 각 라벨의 일치도를 비교하고 오류를 살펴봅니다. 예를 들어 모델은 풍자를 불만으로 오인하거나 교육용 조언을 개인 경험으로 받아들일 수 있습니다. 모델을 바로 복잡하게 만드는 것보다 검색어 사전과 지침을 개선하는 편이 더 유용할 때가 많습니다. 보고서에 사용할 원본 텍스트와 링크는 정해진 보존 및 접근 정책에 따라 저장하세요.
일정 실행과 품질 관리
수동 실행이 성공한 뒤에는 cron, 클라우드 플랫폼의 작업 스케줄러, n8n 같은 오케스트레이터를 이용해 스크립트를 일정에 따라 실행할 수 있습니다. 실제 노드 순서는 동일합니다. 검색어 목록 읽기, API 호출, 상태 확인, 원본 응답 저장, 동영상 정규화, 새 스냅샷 기록, 보고서 생성입니다. 키는 실행 환경의 비밀 관리 기능을 통해 전달해야 하며, 스프레드시트나 워크플로 텍스트, 오류 메시지에 넣어서는 안 됩니다.
자동 작업에는 네 가지 점검이 유용합니다. 첫째, 요청이 성공적으로 완료되고 응답이 JSON인지 확인합니다. 둘째, 외부 상태가 예상한 값인지 확인합니다. 셋째, 처리기가 검색 결과의 두 구조를 모두 이해하고 누락 필드를 올바르게 처리하는지 확인합니다. 넷째, 새 고유 동영상 수와 오류 수를 로그에 기록합니다. 결과가 갑자기 없으면 보고서에 표본 0개를 실행 상태로 표시해야 합니다. 이를 별다른 설명 없이 정상 보고서와 섞어서는 안 됩니다.
첫 페이지를 확인한 다음 페이지네이션을 추가하세요. 검색 경로 문서에는 cursor 매개변수가 명시되어 있습니다. 반환된 토큰을 저장하고 다음 요청에 변환 없이 전달하세요. 검색어 하나당 최대 페이지 수를 제한하고, 새 항목이 없거나 다음 커서가 없거나 이미 처리한 커서가 반복되면 루프를 중단하세요. 이렇게 제한하면 실행 시간과 수집량을 관리할 수 있습니다. 커서가 있다는 사실은 검색 결과를 이어서 요청할 수 있음을 뜻할 뿐, 모든 게시물을 빠짐없이 수집할 수 있음을 보장하지 않습니다.
같은 날 다시 실행하면 중복 동영상이 반환될 수 있습니다. 따라서 중복 제거 키는 안정적인 동영상 식별자를 사용하고, 스냅샷 기록은 관찰 날짜가 포함된 별도 레코드로 저장해야 합니다. 통합된 화면이 필요하면 스냅샷을 바탕으로 구성하세요. 그러면 새로 발견된 동영상과 여러 검색어에서 반복해 나타난 동영상, 나중에 다시 수집된 동영상을 구분할 수 있습니다.
지표: 무엇을 올바르게 비교할 수 있을까
운영 모니터링에는 검색어별 고유 동영상 수, 설명이 채워진 동영상 비율, 확인 가능한 반응 지표의 분포, 특정 주제가 나타나는 빈도가 유용합니다. 검색어를 비교할 때는 동일한 매개변수와 실행 기간을 기록하세요. 한 번의 실행은 this-week, 다른 실행은 this-month를 사용했다면 결과 규모의 차이는 기간 설정 때문일 수 있습니다. 추가 분석 없이 이를 관심도 변화로 해석해서는 안 됩니다.
동일한 동영상의 시간에 따른 지표를 비교하려면 여러 스냅샷과 일관된 저장 구조가 필요합니다. 날짜별 원본 값을 그대로 보존하고, 그 후 관찰 간 차이를 계산하세요. 실제 실행 간격이 달랐다면 그 차이를 ‘하루 동안의 증가’라고 부르지 마세요. 마찬가지로 좋아요 수에 따른 순위는 수집 표본에서 눈에 띄는 동영상을 찾는 데 도움이 되지만, 작성자나 제품의 상업적 효과를 측정하지는 않습니다.
마케팅팀의 최종 보고서는 세 가지 수준을 결합할 수 있습니다. 클릭 가능한 링크가 포함된 잠재고객 표현 사례, 문제별 주제 그룹, 수집된 표본의 정량적 설명입니다. 각 결론에는 관찰 수, 검색어, 수집 기간을 함께 표시해야 합니다. 그러면 관리자는 맥락을 파악하고 분석가는 동일한 원본 데이터로 필터링을 반복할 수 있습니다.
흔한 실수와 예방법
빈 필드를 0으로 취급하기
통계나 작성자 정보가 없으면 위 코드에서는 셀을 비워 둡니다. 이렇게 하면 알 수 없는 값과 실제로 측정된 0을 구분할 수 있습니다. 분석할 때 누락 값을 처리할 규칙을 명시하고, 특정 계산에서 제외한 행의 수를 표시하세요.
검색 결과가 항상 배열 하나로 반환된다고 가정하기
검색 응답에는 aweme_list와 search_item_list[].aweme_info의 중첩 요소가 모두 나타날 수 있습니다. 처리기는 두 구조를 확인하고 예상된 유형이 아닌 요소는 무시합니다. 스키마가 바뀌면 저장된 원본 응답으로 새 데이터 위치를 빠르게 파악할 수 있고, 테스트용 JSON 픽스처로 다음 실행 전에 수정 사항을 확인할 수 있습니다.
같은 동영상을 별개의 신호로 반복 집계하기
하나의 동영상이 여러 검색어에 해당할 수 있습니다. 예제에서는 최종 CSV에 한 번만 포함하며, 검색어 필드에는 현재 순서에서 처음 일치한 검색어를 기록합니다. ‘동영상-검색어’ 간 모든 대응 관계를 보존해야 한다면 출처 정보를 제거하지 말고 별도의 연결 표를 저장하거나 식별자별 검색어 목록을 관리하세요.
비교할 수 없는 표본을 비교하기
검색어, 지역, 기간 필터, 정렬, 실행 날짜는 표본에 영향을 미칩니다. 응답과 함께 매개변수를 저장하고, 여러 조건을 비교하는 조사에서는 한 번에 한 요소만 바꾸세요. 이렇게 하면 결과 변화가 검색 결과 동작 때문인지 실험 설정 변경 때문인지 파악하는 데 도움이 됩니다.
상관관계를 구매 의도로 단정하기
동영상 설명과 공개 카운터는 콘텐츠와 잠재고객 반응의 징후를 제공합니다. 이것만으로 누가 구매할 준비가 되었는지, 광고를 보았는지, 전환율이 얼마인지 알 수는 없습니다. 가설 설정, 주제 검증, 콘텐츠 준비에 활용하세요. 영업 효과는 조사 기간과 잠재고객이 맞도록 자체 캠페인 데이터로 평가해야 합니다.
파이프라인 확장 방법
기본 버전이 안정적으로 작동하면 검색어 목록과 실행 매개변수를 구성 파일에 넣어 Python 코드를 편집하지 않고도 검색어 사전을 변경할 수 있습니다. 다음 단계로 검색어와 주제 클러스터를 연결하는 표를 만들 수 있습니다. 예를 들어 ‘인식 품질’, ‘편집 속도’, ‘내보내기’ 같은 범주를 둘 수 있습니다. 이러한 범주는 팀이 정의하고 사례를 통해 검증해야 합니다. API는 검색 데이터를 반환하고 의미 체계는 연구자가 정합니다.
CSV 대신 관계형 데이터베이스를 사용할 수도 있습니다. 실행, 동영상, 지표 스냅샷을 각각 테이블로 구성하면 됩니다. 동영상 식별자에 고유 인덱스를 설정해 카탈로그 중복을 방지하고, 스냅샷으로 사용 가능한 카운터의 변화를 추적하세요. 관찰 시각은 UTC로 저장하고 정규화기 버전도 기록해야 합니다. 추출 로직을 변경할 때는 보관된 JSONL을 다시 처리해 결과를 비교할 수 있습니다.
n8n에서 수집을 일정에 따라 실행하고, 선택한 환경이 필요한 작업을 지원한다면 정규화 코드는 별도의 Python 서비스나 노드에서 실행할 수 있습니다. 첫 단계부터 모델을 통합할 필요는 없습니다. 먼저 안정적으로 수집한 다음 수동 분류에 얼마나 시간이 걸리는지, 어떤 범주가 반복되는지 측정하세요. AI는 반복 업무를 구체적으로 줄이고 라벨을 검증할 수 있을 때 활용 가치가 있습니다.
작업의 목적이 표현을 통한 검색이 아니라 특정 계정의 콘텐츠를 정기적으로 관찰하는 것이라면 공식 가이드에 query, max_cursor, count 매개변수를 사용하는 별도 경로 /getUserFeed가 있습니다. 해시태그용으로는 cursor 매개변수를 사용하는 /getHashtagFeed가 제공됩니다. 이는 서로 다른 수집 방식입니다. 어떤 엔드포인트를 사용할지는 한 유형의 표본을 다른 유형으로 대체하지 말고 연구 질문부터 정해야 합니다.
결과: 북마크 모음이 아닌 재현 가능한 표본
실행 후 팀은 두 가지 유용한 산출물을 얻습니다. 원본 응답 아카이브와 검색어, 관찰 날짜, 링크, 설명, 사용 가능한 지표가 포함된 고유 동영상 표입니다. 이를 바탕으로 잠재고객의 질문을 직접 분류하고, 텍스트를 통제된 분류 과정에 전달하고, 주간 요약을 만들고, 반복 스냅샷을 비교할 수 있습니다. 코드는 요청 오류를 명시적으로 처리하고 외부 상태를 확인하며, 검색 결과의 두 가지 구조를 구분하고, 누락된 지표를 결측값으로 저장합니다.
팀의 실질적인 성과는 인터뷰, 랜딩 페이지, 광고 문구에서 어떤 문제를 검증할지 더 투명하게 결정할 수 있다는 점입니다. 조사에 다른 종류의 데이터가 필요하다면 검색어를 바꾸거나 적절히 문서화된 경로를 사용하세요. 파이프라인을 수정하기 전에 매개변수를 확인하려면 TikTok API 문서를 확인하세요. 제품 정보와 데모는 TikTok Scraper API 페이지에서 볼 수 있습니다.
이 접근 방식은 처음의 과제에 답합니다. TikTok 검색을 재현 가능한 조사 과정으로 바꾸는 것입니다. 스크립트는 반환된 구체적인 동영상을 수집하고 출처와 스냅샷을 저장하며, 사람이나 검증 가능한 분류기가 콘텐츠를 수요에 관한 가설로 전환합니다. 팀은 다음 결정을 위한 기반을 얻으면서 공개 콘텐츠의 징후와 확인된 영업 성과 사이의 경계를 지킬 수 있습니다.
