Como encontrar sinais precoces de tendências no TikTok: monitoramento automático dos resultados de busca

A equipe de conteúdo percebe um novo tema no TikTok quando os concorrentes já estão falando dele. A razão costuma ser simples: as buscas são feitas manualmente e sem regularidade, e os links encontrados ficam no chat, sem uma planilha comum, uma data de coleta ou métricas comparáveis. Para perceber mudanças mais cedo, é útil transformar a busca em um processo repetível: registrar as consultas, salvar regularmente os vídeos obtidos e comparar apenas os resultados observados.

A seguir, apresentamos um esquema de monitoramento desse tipo em Python com a TikTok Scraper API jsonscraper. Ele pode ser útil, por exemplo, para uma agência que acompanha várias consultas temáticas para montar um calendário de publicações ou para uma marca que deseja identificar quais vídeos públicos sobre determinado tema recebem números expressivos de visualizações e reações. A API retorna resultados de busca do TikTok, incluindo descrição do vídeo, autor, data de publicação, link e contadores disponíveis. O script arquiva cada resposta e gera um snapshot CSV para análise.

O princípio fundamental é medir não uma «tendência» abstrata, mas mudanças no próprio registro de observações: quais vídeos apareceram na amostra, quais vídeos já conhecidos tiveram alterações nos contadores públicos e quais formulações se repetem nas descrições. Essa abordagem oferece à equipe de conteúdo uma fila verificável de temas para avaliação manual e preserva a origem de cada conclusão.

Por que a busca manual é um monitoramento fraco

Os resultados da busca formam uma amostra variável, não um catálogo estável de publicações. Se alguém encontra dez vídeos usando uma palavra hoje e faz uma nova busca na semana seguinte, é difícil comparar os resultados: os links antigos podem ter se perdido, a lista será diferente e os contadores terão acumulado novos valores. Sem snapshots salvos, não é possível reconstruir exatamente o que a equipe viu em determinado dia.

Até mesmo uma coleta diária simples resolve parte desse problema. Para cada execução, são registrados a data da observação, o termo de busca, o ID do vídeo, o autor, a descrição, o link e os indicadores disponíveis. Na execução seguinte, é possível comparar os registros pelo ID do vídeo e calcular a diferença entre os contadores, se ambas as versões incluírem os campos correspondentes.

Esses valores devem ser interpretados como métricas públicas dos vídeos encontrados na resposta da API, não como o alcance total do TikTok ou um ranking completo de popularidade. Os resultados da busca podem mudar, alguns campos podem estar ausentes e os indicadores dependem do momento da coleta. Portanto, o objetivo do pipeline é gerar uma amostra de trabalho reproduzível e identificar candidatos para análise, não declarar que um tema é uma tendência universal com base em um único número.

Estrutura da solução: busca, arquivo e comparação

O pipeline tem cinco partes: configuração das palavras-chave, solicitação à API, arquivo JSON sem alterações, camada de registros normalizados e relatório de mudanças. Essa separação permite verificar cada etapa individualmente. Se a estrutura da resposta mudar ou alguns campos estiverem ausentes, o JSON original continuará disponível para reprocessamento.

1. Defina o conjunto de consultas. Use frases específicas relacionadas ao produto, ao setor ou às necessidades do público. Por exemplo, uma marca de eletrodomésticos de cozinha pode acompanhar «meal prep», «air fryer recipes» e o nome de uma categoria específica de produto. Mantenha a lista de consultas em um arquivo de configuração, em vez de incorporá-la à lógica de processamento.
2. Estabeleça as regras de coleta. Escolha a frequência e um volume pequeno de resultados para o piloto. Registre a data, a região e os parâmetros de busca. Para comparar ao longo do tempo, é mais importante repetir as configurações do que tentar coletar a resposta mais abrangente possível em uma única execução.
3. Armazene a resposta original. Grave o JSON junto com o horário da execução e a palavra de busca. O arquivo permite recuperar os registros originais e corrigir a normalização sem fazer outra chamada à API.
4. Normalize os campos confirmados. Extraia apenas os campos presentes na resposta: ID, legenda, horário de publicação, autor, link e valores estatísticos disponíveis. Deixe em branco os valores ausentes; não os substitua por zero.
5. Compare os snapshots. Associe os vídeos pelo ID e armazene cada observação separadamente. Depois, será possível identificar publicações novas no arquivo e calcular a diferença entre os valores observados das métricas.

Para o teste inicial, escolha duas ou três consultas e um número pequeno de resultados. Verifique se as descrições e os autores correspondem ao seu objetivo, quais campos são efetivamente retornados e se a amostra se repete em condições idênticas. Só então vale a pena ampliar a lista de termos e programar as execuções.

O que é possível solicitar com a TikTok Scraper API

Na documentação oficial da jsonscraper, a rota GET /searchVideo é destinada à busca de vídeos por palavra-chave. O parâmetro obrigatório é keyword. Entre os parâmetros opcionais documentados estão count, cursor, date_posted, sort_by, region e cache_timeout. Para date_posted, a documentação descreve valores como this-week e this-month; para sort_by, relevance, most-liked e date-posted. Os nomes e as funções exatas dos parâmetros estão no guia de rotas da TikTok API.

O endereço-base do serviço é https://tiktok.evelode.com; a chave é enviada como parâmetro de consulta license_key. No exemplo a seguir, a chave fica na variável de ambiente JSONSCRAPER_TIKTOK_LICENSE_KEY. Isso evita inserir o segredo diretamente no código-fonte ou imprimi-lo no log de execução.

A resposta deve ser analisada levando em conta sua estrutura aninhada. Primeiro, verifique o status externo e, em seguida, acesse o objeto tiktok. A busca pode apresentar o resultado em duas formas: os vídeos podem estar diretamente em tiktok.aweme_list ou nos elementos aweme_info dentro de tiktok.search_item_list. No entanto, aweme_list pode estar vazio na resposta da busca mesmo quando há vídeos em search_item_list. O script abaixo aceita as duas formas.

Na documentação e em um exemplo de resposta verificado, o objeto do vídeo contém campos como aweme_id, desc, create_time, share_url, informações sobre o autor e o objeto statistics. As estatísticas podem incluir contadores de visualizações, curtidas, comentários e compartilhamentos. É preciso verificar o conjunto e o significado dos campos em cada resposta: o código deixa vazios os campos ausentes. O exemplo da rota e seus parâmetros documentados estão na descrição da TikTok Scraper API.

Exemplo funcional em Python

O exemplo é compatível com Python 3.8 ou posterior e usa o pacote requests. Instale-o com o comando python -m pip install requests. Salve o código no arquivo collect_tiktok.py, defina a chave no ambiente e execute o script com uma palavra de busca. O script cria o diretório data, grava o JSON original e acrescenta as observações normalizadas ao 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):
    """Reúna vídeos das variantes confirmadas da resposta 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)

    # Remove duplicatas, preservando a ordem e os registros sem 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) 

Passe a chave pelo ambiente. No shell Bash, o comando para a sessão atual é:

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

No Windows PowerShell, é possível definir a variável para o processo atual com o comando $env:JSONSCRAPER_TIKTOK_LICENSE_KEY="sua_chave" e, em seguida, executar o mesmo arquivo Python. Não adicione a chave ao repositório, ao CSV, ao arquivo de respostas ou às mensagens de erro. Como a API recebe a chave em um parâmetro de consulta, considere que o URL completo da solicitação pode aparecer nos logs do cliente HTTP e da infraestrutura; configure o registro para excluir segredos.

Como ler o código e verificar o resultado

A função fetch envia os parâmetros documentados e verifica o código HTTP, o status externo e a presença do objeto tiktok. Ela não considera que qualquer corpo de resposta válido seja um resultado bem-sucedido: se o formato for inesperado, a execução é interrompida com uma mensagem de erro clara. Assim, é mais fácil diferenciar uma busca sem resultados de um problema de acesso ou de uma mudança na estrutura.

A função get_videos reúne os elementos da lista direta aweme_list e os registros aninhados em search_item_list[].aweme_info. Depois, remove as duplicatas por aweme_id, pois um vídeo pode aparecer nas duas coleções. Se o ID estiver ausente, o registro é preservado; assim, é possível examinar o resultado original sem inserir um valor inventado.

A normalização usa uma forma segura de obter objetos aninhados. Os campos do autor ou das estatísticas podem estar ausentes, então o código usa um objeto vazio antes de acessá-los. No CSV, as células correspondentes ficam em branco. Essa diferença é importante: uma célula vazia significa que o valor não veio na observação; zero é um valor numérico efetivamente retornado pela API.

O arquivo recebe um JSON separado para cada consulta. O nome inclui o horário UTC e uma versão limpa da palavra de busca. O CSV armazena registros tabulares para análise, enquanto o JSON original permanece como referência para examinar novos campos ou repetir o processamento. Esse formato duplo é útil tanto para um protótipo local quanto para uma futura migração para um banco de dados ou armazenamento de objetos.

Para verificar a primeira execução, abra o JSON e confirme que status é igual a ok, que há um objeto tiktok e que uma ou ambas as coleções compatíveis contêm elementos. Em seguida, compare alguns valores do CSV com o objeto original. Verifique, em particular, se os contadores não se transformam em strings incorretas, se as datas de publicação são preservadas no formato original e se os links correspondem aos mesmos vídeos que os IDs.

Se uma resposta válida não contiver vídeos, registre isso como um resultado vazio da execução, não como uma falha do código. Se o status externo ou a resposta HTTP indicar um erro, não inclua esse registro nas observações analíticas: primeiro resolva a causa e repita a execução. Em um processo de produção, também vale a pena registrar o código HTTP, a palavra de busca, o horário e uma mensagem breve de erro, excluindo a chave e o URL completo com o segredo.

Paginação e repetibilidade da coleta

A busca oferece o parâmetro cursor para avançar pelos resultados. Para obter a página seguinte, use o cursor da resposta anterior e envie-o sem alterações. O cursor é um valor opaco da API: o aplicativo deve armazená-lo e devolvê-lo como está, sem calculá-lo a partir do número de linhas nem tratá-lo como número de página.

Para o monitoramento inicial, é possível limitar-se a uma consulta por palavra-chave e usar o mesmo count. Isso facilita a interpretação: a equipe sabe que cada execução salva um snapshot limitado dos resultados. Se você adicionar paginação, armazene cada página e seu cursor e estabeleça um limite de páginas por execução. Esse limite protege a tarefa contra um ciclo sem fim caso a resposta seja inesperada.

O parâmetro date_posted permite restringir a busca a um dos períodos listados na documentação; sort_by permite escolher a ordenação por relevância, data de publicação ou curtidas. Ao analisar a dinâmica, registre essas configurações junto com cada execução. Comparar consultas com períodos ou ordenações diferentes pode refletir mudanças nas condições da busca, não no próprio tema.

O parâmetro cache_timeout controla o cache da resposta. A documentação descreve uma janela de cache padrão de 3600 segundos e o valor 0 para desativar o cache. Para o monitoramento programado, escolha as configurações de forma deliberada e salve-as na configuração. Se uma série de consultas for executada mais de uma vez por hora e for necessário distinguir as respostas dentro desse intervalo, verifique o comportamento do cache antes de interpretar resultados repetidos como ausência de mudanças.

Comparação de observações diárias

O CSV já contém a base para um relatório simples. Agrupe as linhas por palavra de busca e aweme_id, ordene por collected_at e compare apenas pares de observações em que ambas contenham o valor da métrica. Por exemplo, a diferença de visualizações pode ser calculada subtraindo o último valor observado do anterior. Guarde os dois pontos originais: a diferença absoluta e o intervalo entre as observações são necessários para interpretar corretamente o resultado.

Não chame essa diferença de velocidade de visualizações sem definir um intervalo de tempo. Se uma execução ocorrer pela manhã e a seguinte alguns dias depois, o valor representa a mudança acumulada nesse período. Para comparar o ritmo, é possível dividir a diferença pela duração efetiva entre as observações, mas o resultado ainda será uma média entre dois snapshots, não uma telemetria contínua.

Calcule dois tipos de sinal separadamente. O primeiro é a presença de novos IDs nos resultados da consulta atual. O segundo é a mudança nas estatísticas de vídeos já observados. Um vídeo novo pode ser candidato à análise independentemente do número atual de visualizações; o crescimento de um vídeo antigo pode indicar que a publicação continua acumulando reações. Esses sinais respondem a perguntas diferentes e são úteis em cenários distintos de planejamento editorial.

Inclua verificações simples da qualidade dos dados: proporção de linhas com ID, proporção de linhas com descrição, presença da data de coleta, número de vídeos únicos por consulta e quantidade de estatísticas ausentes. Esses indicadores ajudam a identificar uma mudança na estrutura habitual recebida pelo pipeline antes que a equipe tire conclusões com base em um arquivo incompleto. Também mostram quais frases de busca produzem uma amostra útil para o seu setor.

Para o primeiro relatório, basta uma tabela com as colunas: termo, ID, data de publicação, autor, descrição, link, visualizações atuais, visualizações no snapshot anterior, diferença e intervalo entre snapshots. Adicione um sinalizador de «novo no arquivo» e um campo para avaliação editorial. A pessoa responsável pode registrar a adequação à marca, a pertinência do formato e o possível risco de copiar a ideia de outra pessoa — a API não faz essas avaliações por conta própria.

Como não confundir a popularidade de um vídeo com a utilidade do tema

Visualizações, curtidas, comentários e compartilhamentos ajudam a descrever a reação pública a um vídeo específico. Para o planejamento de conteúdo, o próprio texto também importa: a formulação da pergunta, a promessa no início, um formato explicativo recorrente ou o tipo de demonstração. Por isso, envie ao editor o link e a descrição junto com as métricas; um único número raramente explica por que uma publicação funcionou.

Ao comparar vários vídeos, é possível calcular a proporção de interações em relação às visualizações se ambos os contadores estiverem presentes. Por exemplo, a soma de curtidas, comentários e compartilhamentos dividida pelas visualizações fornece um indicador simples da proporção observada de reações. Defina a fórmula e não misture vídeos com valores ausentes: caso contrário, o resultado não será comparável. Esse coeficiente descreve apenas os contadores públicos selecionados e os vídeos escolhidos.

Não some as métricas de vários snapshots como se fossem eventos independentes. Se o mesmo vídeo aparecer em cinco respostas diárias, as visualizações nas respectivas linhas são estados sucessivos de um único contador, não cinco públicos diferentes. Para calcular um total de publicações únicas, use um ponto de observação consistente por vídeo, por exemplo, o snapshot mais recente do período do relatório, e registre o critério de seleção.

Outra análise útil é identificar palavras que se repetem nas descrições. Uma análise textual simples pode agrupar publicações por vocabulários definidos previamente: «receita», «avaliação», «antes/depois», «erro», «dica». Um classificador ou modelo de linguagem pode sugerir categorias e resumos curtos, mas a planilha deve conservar a descrição original e o URL para que o editor possa conferir a interpretação no próprio vídeo.

Automação programada

Depois de verificar a execução manual, transfira a coleta para um agendador: cron em um servidor próprio, GitHub Actions ou um fluxo de trabalho no n8n/Make. A integração deve executar o mesmo script verificado, obter a chave de um gerenciador de segredos, arquivar o JSON e enviar uma notificação apenas após a conclusão bem-sucedida. A implementação específica do agendador depende da infraestrutura; a chamada à API e o formato de processamento permanecem os mesmos.

Exemplo de agendamento cron para execução diária às 08h15, no horário da máquina:

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

Antes de usar essa linha, configure a variável de ambiente no serviço ou shell em que o cron é executado e defina o fuso horário correto do host. Para várias palavras-chave, é melhor armazenar a lista em um arquivo e executar o script uma vez para cada consulta. Assim, um erro em uma consulta não precisa cancelar todo o conjunto, e os arquivos são mais fáceis de comparar.

Quando o número de palavras-chave aumentar, transfira a configuração para JSON ou YAML e adicione um registro das execuções com status, número de vídeos recebidos e caminho do arquivo. Para aumentar a confiabilidade, preveja um número limitado de tentativas em caso de erro temporário de rede, um tempo limite e tratamento separado de erros HTTP. Não repita as solicitações indefinidamente: a tarefa deve terminar com um status visível para que a execução seguinte não oculte o problema.

Se os resultados precisarem ser enviados para o Google Sheets, um banco de dados ou um painel interno, adicione essa etapa depois de garantir o arquivamento. Primeiro, grave a resposta original; depois, carregue as linhas normalizadas. Se a exportação falhar, repita o carregamento a partir do arquivo, sem necessariamente coletar os dados novamente. O ID do vídeo e o horário da coleta ajudam a organizar inserções repetíveis e distinguir um snapshot novo de um antigo.

Adicionando IA: seu papel útil é organizar, não substituir a fonte

Quando o arquivo acumular muitas descrições, um modelo poderá ajudar a agrupar vídeos por tema, identificar formulações frequentes e preparar explicações curtas para o editor. Envie ao modelo um conjunto limitado de campos: palavra de busca, descrição, data de publicação e contadores públicos. Peça categorias estruturadas e uma justificativa concisa, não afirmações categóricas sobre as causas da popularidade que não estejam presentes nos dados.

Armazene o resultado do modelo em colunas separadas, como ai_topic, summary e review_status. Não substitua a descrição original nem os valores da API. Se a instrução ou o modelo mudar, deve ser possível repetir o processamento dos registros salvos; para isso, é útil guardar a versão do prompt e a data da classificação.

Uma tarefa prática para o modelo é sugerir agrupamentos ao editor: «receitas rápidas», «comparação de aparelhos», «erros de iniciantes». Em seguida, o analista confere alguns exemplos de cada grupo por meio dos links e ajusta o vocabulário. Esse processo com participação humana transforma a IA em uma ferramenta de navegação pelo conjunto de dados, mantendo acessíveis as observações originais verificáveis.

Não peça ao modelo que declare, por conta própria, uma relação causal entre formato e alcance com base em uma pequena amostra de busca. Para chegar a essa conclusão, são necessários um método definido previamente, publicações comparáveis e dados adicionais. No trabalho editorial cotidiano, basta priorizar candidatos para análise, levantar hipóteses sobre temas recorrentes e preparar uma lista de links para revisão manual.

Qualidade da amostra e limites das conclusões

O pipeline salva as respostas obtidas para as consultas e os parâmetros definidos. Ele ajuda a comparar essas observações, mas o alcance da busca é limitado pela consulta específica, pelo momento da coleta, pelas configurações e pela resposta do serviço. Portanto, formule as conclusões com precisão: «entre os resultados recebidos para a consulta X nos snapshots desta semana, o tema Y apareceu com mais frequência», e não «o TikTok inteiro está falando de Y agora».

Compare apenas séries configuradas da mesma forma: mesma região, mesmos parâmetros de ordenação, período de publicação e número de resultados solicitados. Se você alterar a consulta ou o filtro, registre isso como uma nova série. Para analisar a sazonalidade ou uma campanha, vale guardar a versão da configuração; caso contrário, uma mudança na entrada poderá parecer uma mudança no conteúdo.

As métricas públicas podem ser atualizadas entre snapshots e ter idades diferentes: um vídeo publicado recentemente e um vídeo antigo estão em etapas distintas de acumulação de reações. Para comparar o desempenho, leve em conta a data de publicação e o intervalo de observação. Compare publicações de idade semelhante ou analise a evolução do mesmo ID em snapshots sucessivos.

Se o projeto envolver concorrentes ou autores, limite a coleta ao objetivo e aos dados estritamente necessários. Não colete informações sensíveis nem use indicadores públicos para avaliar a personalidade do autor. Para um relatório de marketing, geralmente bastam o link, a descrição, o nome do perfil, o horário de publicação e métricas agregadas. Antes de automatizar, verifique os termos aplicáveis da plataforma, os requisitos da sua organização e as regras de armazenamento de dados.

Lista de verificação antes de começar

• Defina a questão de negócio: que temas, formatos ou publicações você deseja identificar.
• Comece com algumas frases de busca estáveis e registre exatamente como são escritas.
• Verifique a rota /searchVideo, o parâmetro obrigatório keyword e os demais parâmetros na documentação.
• Armazene a chave em uma variável de ambiente e exclua-a da saída, dos logs e do repositório.
• Verifique o status externo da resposta e a presença do objeto tiktok.
• Processe tanto aweme_list quanto search_item_list[].aweme_info.
• Salve o JSON original antes da normalização.
• Deixe vazios os campos ausentes; não os substitua por zeros.
• Associe as publicações usando aweme_id e passe o cursor sem alterações.
• Registre a data da coleta e os parâmetros de busca de cada snapshot.
• Confira alguns vídeos manualmente antes de tirar conclusões ou enviar resultados a um modelo.

O que você terá ao final

Depois da configuração, a equipe terá um processo repetível: uma lista de consultas-chave será executada em horários programados, cada resposta será salva como JSON original e as observações normalizadas serão acrescentadas ao CSV. O analista poderá identificar vídeos novos no arquivo, voltar ao link e à descrição, comparar os contadores públicos disponíveis entre snapshots e criar grupos temáticos.

Para o editor, o resultado não será um veredito automático sobre a «principal tendência», mas uma lista curta de candidatos verificáveis: publicações novas, vídeos com mudanças notáveis nos indicadores e formulações temáticas recorrentes. Isso encurta o caminho da busca manual à discussão do tema e oferece uma base comprovável para decidir o que incluir no plano de conteúdo.

É possível começar com uma consulta, uma execução local diária e um arquivo CSV. Quando a verificação mostrar que a amostra corresponde ao objetivo, adicione um agendamento, um banco de dados ou a classificação das descrições. Os parâmetros documentados e a função das rotas podem ser conferidos na documentação da TikTok API; informações sobre acesso e o produto estão na página da TikTok Scraper API jsonscraper.