jsonscraper
Mercados
Voltar ao jornal

Como transformar comentários do TikTok numa fila de bugs de produto

Reúna comentários públicos de vídeos encontrados e guarde o JSON original para verificar a estrutura real da resposta antes de classificar os temas.

Política editorial Comunique um erro

Para estudar uma discussão sobre um problema no TikTok, primeiro encontre vídeos relevantes e, em seguida, peça os comentários de cada vídeo selecionado. Para uma equipa de produto, o resultado pode ser um conjunto de respostas JSON originais, associadas à pesquisa e ao link do vídeo. Antes de criar uma fila de temas, verifique a estrutura real dos comentários: a documentação confirma a rota e os respetivos parâmetros, mas não descreve os campos dos registos devolvidos.

Esta é uma etapa importante de um pipeline analítico. Os resultados da pesquisa ajudam a reunir contexto sobre o produto, e os comentários podem conter relatos de erros, perguntas ou soluções alternativas. Para garantir que a classificação se baseia em dados reais, guarde primeiro a resposta da API sem a transformar e, depois, compare os campos com o esquema efetivamente recebido.

Por que a pesquisa de vídeos não basta

O nome de uma aplicação ou dispositivo ajuda a encontrar vídeos, mas a descrição mostra sobretudo a perspetiva de quem publicou. Os espectadores podem discutir avarias concretas e formas de utilização nos comentários. Por isso, recolher comentários acrescenta um segundo nível de dados à amostra de pesquisa, associado ao vídeo original.

Materiais anteriores abordaram a monitorização da pesquisa no TikTok, a extração de perguntas das descrições e o processamento das respostas de pesquisa. Aqui, o objetivo é mais específico: recolher as respostas da rota de comentários e verificar a respetiva estrutura antes de desenvolver uma classificação. Isto pode ser útil para programadores de integrações analíticas, investigadores da experiência do utilizador e equipas de apoio.

Da frase de pesquisa a um conjunto de dados verificável

Defina algumas pesquisas específicas, por exemplo, o nome do produto combinado com o nome de uma funcionalidade ou modelo. Guarde a resposta da pesquisa e os URLs dos vídeos selecionados. Em seguida, peça os comentários usando os URLs e guarde cada resposta original num ficheiro separado. Depois de verificar o esquema, poderá normalizar os campos necessários, remover duplicados e agrupar os textos por tema.

Artigo: Como transformar comentários do TikTok numa fila de bugs de produto
Resumo: Um pipeline em Python combina a pesquisa de vídeos do TikTok com pedidos de comentários através do jsonscraper. O exemplo guarda e apresenta o JSON bruto, sem presumir os nomes dos campos dos comentários.
Função da imagem: ilustração de apoio 2 — um aspeto específico diferente
Secção: Da frase de pesquisa a um conjunto de dados verificável
Tema visual: Infográfico em russo que mostra o processo pesquisa por palavra-chave → seleção de vídeos → pedido de comentários
O esquema separa as etapas documentadas da recolha da normalização, que só deve ocorrer após a verificação da resposta real.© jsonscraper · ilustração gerada por IA
  1. Pesquisa: peça vídeos com uma palavra-chave e verifique as duas estruturas de resultados suportadas.
  2. Seleção: escolha vídeos relevantes e guarde os respetivos identificadores e URLs.
  3. Recolha de comentários: envie o URL para a rota de comentários; para continuar a paginação, utilize o cursor devolvido.
  4. Verificação: guarde o JSON bruto e determine os nomes reais dos campos a partir da resposta.
  5. Análise: depois de verificar o esquema, agrupe os textos e peça a uma pessoa que reveja exemplos.
Esquema: pesquisa de vídeos do TikTok, seleção de vídeos, pedido de comentários, gravação do JSON original, verificação da estrutura e classificação manual por temas
Guarde primeiro a resposta completa; acrescente a normalização depois de verificar os campos reais.

Que rotas utilizar

A documentação da TikTok Scraper API descreve GET \/searchVideo, que requer o parâmetro keyword. Os parâmetros opcionais incluem count, cursor, date_posted, sort_by e region. Para os comentários, existe GET \/getCommentsByUrl, que requer video_url; entre os parâmetros opcionais estão cursor, count e region. A chave é enviada no parâmetro license_key.

Na resposta da pesquisa, os vídeos podem encontrar-se em tiktok.aweme_list ou em tiktok.search_item_list[].aweme_info. O exemplo trata ambos os formatos, verifica o estado externo e guarda os objetos encontrados. Para a resposta dos comentários, não presume o nome de um array nem dos campos: guarda e apresenta o JSON recebido para que possa ser inspecionado.

Um coletor mínimo em Python

O código é compatível com Python 3.8 ou posterior. Instale requests e defina a chave na variável de ambiente JSONSCRAPER_TIKTOK_LICENSE_KEY. O script grava as respostas de pesquisa e de comentários em ficheiros JSON separados, associando cada resposta de comentários à pesquisa e ao URL do vídeo. Os campos dos comentários não são extraídos até que verifique a estrutura real da resposta.

Artigo: Como transformar comentários do TikTok numa fila de bugs de produto
Resumo: Um pipeline em Python combina a pesquisa de vídeos do TikTok com pedidos de comentários através do jsonscraper. O exemplo guarda e apresenta o JSON bruto, sem presumir os nomes dos campos dos comentários.
Função da imagem: capa — a ideia central
Secção: Um coletor mínimo em Python
Tema visual: Fotografia documental editorial de uma resposta JSON bruta impressa, junto a cartões que representam URLs de vídeos e comentários, dispostos para uma equipa de produto
A resposta bruta preserva os dados originais para verificar a estrutura antes da normalização.© jsonscraper · criado com IA
import json
import os
from pathlib import Path

import requests

BASE = "https:\/\/tiktok.evelode.com"
KEY = os.environ["JSONSCRAPER_TIKTOK_LICENSE_KEY"]
OUT = Path("tiktok_raw")
OUT.mkdir(exist_ok=True)


def get_json(path, params):
    response = requests.get(
        BASE + path,
        params={**params, "license_key": KEY},
        timeout=30,
    )
    response.raise_for_status()
    data = response.json()
    if data.get("status") != "ok":
        raise RuntimeError("API returned non-ok status")
    return data


def videos_from_search(data):
    tiktok = data.get("tiktok") or {}
    found = list(tiktok.get("aweme_list") or [])
    for item in tiktok.get("search_item_list") or []:
        aweme = (item or {}).get("aweme_info") or {}
        if aweme:
            found.append(aweme)

    unique = {}
    for video in found:
        video_id = video.get("aweme_id")
        video_url = video.get("share_url")
        if video_id and video_url:
            unique[video_id] = video
    return list(unique.values())


for index, keyword in enumerate(("APP_NAME erro", "APP_NAME não funciona")):
    search = get_json("\/searchVideo", {"keyword": keyword, "count": 10})
    (OUT \/ f"search_{index}.json").write_text(
        json.dumps(search, ensure_ascii=False, indent=2), encoding="utf-8"
    )

    for video in videos_from_search(search):
        video_id = video["aweme_id"]
        video_url = video["share_url"]
        comments = get_json(
            "\/getCommentsByUrl",
            {"video_url": video_url, "count": 30},
        )
        filename = f"comments_{video_id}.json"
        record = {
            "keyword": keyword,
            "video_id": video_id,
            "video_url": video_url,
            "response": comments,
        }
        (OUT \/ filename).write_text(
            json.dumps(record, ensure_ascii=False, indent=2), encoding="utf-8"
        )
        print(json.dumps(record, ensure_ascii=False, indent=2))

O script verifica o estado externo da resposta e, em seguida, grava o objeto JSON completo. Assim, é possível inspecionar as chaves reais, os tipos de valores e a estrutura hierárquica antes de criar uma tabela de comentários. Se a API devolver um erro, o código interrompe a execução e informa-o, em vez de guardar silenciosamente um resultado inválido.

Do JSON bruto a uma fila de temas

Depois de verificar uma ou mais respostas, crie um normalizador com base no esquema efetivamente encontrado. Guarde o JSON original junto às linhas normalizadas para poder verificar a transformação e voltar a processar os dados se o código mudar. É útil manter no registo o link do vídeo, o registo original do comentário, a hora da recolha e a versão da regra de classificação aplicada.

Para classificar os temas, pode começar com etiquetas como «erro», «dúvida sobre utilização», «pedido de funcionalidade», «opinião» e «não relacionado com o produto». Regras baseadas em palavras-chave ou um classificador podem ajudar a ordenar a amostra; guarde a etiqueta atribuída separadamente do texto original. Antes de criar uma tarefa, um especialista deve verificar o contexto do comentário e o vídeo original.

Na deduplicação, utilize o campo de identificador apenas depois de confirmar que existe na resposta. Se os dados não incluírem um identificador, uma chave temporária pode combinar o URL do vídeo com o texto normalizado; este método agrupa formulações idênticas no mesmo vídeo, mas não permite concluir que os registos pertencem à mesma pessoa.

Automação e proveniência dos dados

Execute a recolha de forma agendada através de cron, GitHub Actions ou n8n. Guarde a chave nos segredos do ambiente de execução e não a inclua no repositório, nos ficheiros de resultados ou nos registos. Mantenha as respostas JSON originais disponíveis para verificação; defina um prazo de retenção e permissões de acesso de acordo com os requisitos da equipa e as regras aplicáveis da plataforma.

Para monitorizar o funcionamento do pipeline, registe o número de pesquisas concluídas com sucesso, vídeos únicos encontrados, respostas de comentários guardadas e erros da API. Estas métricas técnicas indicam em que etapa o resultado mudou. Uma resposta vazia, um erro no pedido e a ausência de correspondências após a classificação temática são estados diferentes, pelo que devem ser registados separadamente.

Para a base de dados, é útil separar as entidades de recolha, vídeos, respostas originais de comentários e decisões de classificação temática. A ligação à pesquisa e ao vídeo permite abrir a fonte para uma verificação manual. Depois de confirmar o esquema, pode acrescentar paginação por cursor: a rota aceita cursor, e o pedido seguinte deve enviar o valor devolvido pela API sem tentar interpretá-lo.

O que esta abordagem permite

A equipa obtém um processo de recolha reproduzível e um conjunto de fontes verificável a partir do qual pode criar uma fila de temas. O analista pode rastrear qual pesquisa levou a um vídeo e que resposta de comentários foi guardada. Depois de verificar a estrutura, o programador pode acrescentar a normalização e o agrupamento temático sem substituir um esquema desconhecido por suposições.

No relatório, indique as frases de pesquisa, a data de execução, os critérios de seleção e o número de respostas processadas. As conclusões dizem respeito às pesquisas específicas e aos dados devolvidos; ajudam a investigar as discussões encontradas e a planear a sua análise, preservando a respetiva proveniência e contexto.

Comece com um produto e algumas pesquisas de diagnóstico: guarde as respostas, verifique a estrutura dos comentários e, em seguida, acrescente ao normalizador apenas os campos confirmados. Os parâmetros das rotas estão descritos na documentação da API, e as informações sobre o produto encontram-se na página da TikTok Scraper API.

Pessoas

Nenhuma pessoa listada para este artigo ainda.

Continue lendoComo identificar perguntas recorrentes sobre um produto no TikTok
Leia o próximo artigo

Transforme o que lê numa integração funcional

Explore as APIs de dados sociais da jsonscraper, teste pedidos e crie o seu próximo fluxo de trabalho.

Explorar APIs