För att undersöka en diskussion om ett problem på TikTok söker du först efter relevanta videor och hämtar sedan kommentarer till varje vald video. För ett produktteam kan resultatet bli en uppsättning ursprungliga JSON-svar som är kopplade till sökningen och videolänken. Kontrollera kommentarernas faktiska struktur innan du skapar en ämneskö: dokumentationen bekräftar slutpunkten och dess parametrar, men beskriver inte fälten i svarsposterna.
Det här är ett viktigt steg i en analysprocess. Sökträffarna hjälper till att samla in sammanhang om produkten, och kommentarerna kan innehålla felrapporter, frågor eller kringlösningar. För att klassificeringen ska bygga på verkliga data bör du först spara API-svaret utan att omvandla det och sedan jämföra fälten med det schema som faktiskt returnerades.
Varför det inte räcker att söka efter videor
Namnet på en app eller enhet hjälper dig att hitta videor, men videobeskrivningen visar främst hur skaparen uttrycker sig. Tittare kan diskutera specifika fel och användningssätt i kommentarerna. Därför tillför insamlingen av kommentarer ett andra datalager till sökurvalet, kopplat till den ursprungliga videon.
Tidigare artiklar har behandlat övervakning av TikToks sökningar, utvinning av frågor ur beskrivningar och bearbetning av söksvar. Här är uppgiften mer avgränsad: samla in svar från kommentarsrutten och kontrollera deras struktur innan du utvecklar en klassificering. Det är användbart för utvecklare av analysintegrationer, UX-forskare och supportteam.
Från sökfras till verifierbart dataset
Ange några konkreta sökfrågor, till exempel produktnamnet tillsammans med en funktions- eller modellbeteckning. Spara söksvaret och URL:erna till de valda videorna. Hämta sedan kommentarer med hjälp av URL:erna och spara varje ursprungligt svar separat. När du har kontrollerat schemat kan du normalisera de fält du behöver, ta bort dubbletter och gruppera texterna efter ämne.

- Sökning: sök efter videor med en nyckelfras och kontrollera båda resultatstrukturerna som stöds.
- Urval: välj relevanta videor och spara deras ID:n och URL:er.
- Kommentarshämtning: skicka URL:en till kommentarsrutten; använd den returnerade markören för att fortsätta pagineringen.
- Kontroll: spara rå JSON och fastställ de faktiska fältnamnen utifrån svaret.
- Analys: gruppera texterna när schemat har verifierats och låt en människa granska exempel.
Vilka slutpunkter ska användas?
Dokumentationen för TikTok Scraper API beskriver GET /searchVideo med den obligatoriska parametern keyword. Ytterligare parametrar är bland annat count, cursor, date_posted, sort_by och region. För kommentarer finns GET /getCommentsByUrl med den obligatoriska parametern video_url; de valfria parametrarna omfattar cursor, count och region. Nyckeln skickas i parametern license_key.
I söksvaret kan videor finnas under tiktok.aweme_list eller tiktok.search_item_list[].aweme_info. Exemplet hanterar båda formerna, kontrollerar den yttre statusen och sparar de videor som hittas. För kommentarsvaret antar det varken namnet på en lista eller namnen på fälten: det sparar och visar den mottagna JSON-datan så att den kan kontrolleras.
En minimal insamlare i Python
Koden fungerar med Python 3.8 och senare. Installera requests och ange nyckeln i miljövariabeln JSONSCRAPER_TIKTOK_LICENSE_KEY. Skriptet skriver sök- och kommentarsvar till separata JSON-filer och kopplar varje kommentarsvar till sökfrågan och video-URL:en. Kommentarsfält hämtas avsiktligt inte ut förrän du har kontrollerat svarens faktiska struktur.

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 ошибка", "APP_NAME не работает")):
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))
Skriptet kontrollerar svarens yttre status och skriver sedan hela JSON-objektet. På så sätt kan du granska verkliga nycklar, värdetyper och nästling innan du skapar en tabell med kommentarer. Om API:et returnerar ett fel avbryts koden och rapporterar det i stället för att tyst spara ett ogiltigt resultat.
Från rå JSON till en ämneskö
När du har kontrollerat ett eller flera svar skapar du en normaliserare utifrån det schema du faktiskt har sett. Spara den ursprungliga JSON-datan tillsammans med de normaliserade raderna, så att du kan granska omvandlingen och bearbeta data på nytt om koden ändras. Det är användbart att spara videolänken, den ursprungliga kommentaren, insamlingstidpunkten och versionen av den klassificeringsregel som användes.
För ämnesklassificering kan du börja med etiketter som ”fel”, ”fråga om användning”, ”funktionsönskemål”, ”omdöme” och ”inte produktrelaterat”. Nyckelordsregler eller en klassificerare kan hjälpa till att sortera urvalet; spara den tilldelade etiketten separat från originaltexten. Innan en uppgift skapas bör en specialist granska kommentarskontexten och originalvideon.
Använd ett ID-fält för deduplicering först när du har bekräftat att det finns i svaret. Om datan saknar ett ID kan en kombination av video-URL och normaliserad text användas som tillfällig nyckel. Det slår ihop identiska formuleringar inom en video, men fastställer inte att posterna kommer från samma användare.
Automatisering och dataproveniens
Kör insamlingen enligt ett schema med cron, GitHub Actions eller n8n. Förvara nyckeln bland körmiljöns hemligheter och ta inte med den i versionshanteringen, resultatfiler eller loggar. Behåll de ursprungliga JSON-svaren tillgängliga för granskning och ange en lagringsperiod och åtkomstbehörigheter i enlighet med teamets krav och plattformens tillämpliga regler.
För att övervaka pipelinen kan du registrera antalet lyckade sökningar, unika videor som hittats, sparade kommentarsvar och API-fel. Dessa tekniska mätvärden visar i vilket steg resultatet förändrades. Ett tomt svar, ett förfrågningsfel och inga träffar efter ämnesklassificering är olika tillstånd, så spara dem separat.
För en databas är det praktiskt att skilja mellan insamlingar, videor, ursprungliga kommentarsvar och klassificeringsbeslut. Kopplingen till sökfrågan och videon gör det möjligt att öppna källan för manuell granskning. När schemat har bekräftats kan du lägga till paginering med markörer: slutpunkten tar emot cursor, och nästa förfrågan ska skicka vidare värdet som API:et returnerade utan att försöka tolka det.
Vad metoden ger
Teamet får en upprepningsbar insamlingsprocess och en verifierbar uppsättning källor som kan ligga till grund för en ämneskö. Analytikern kan följa vilken sökfråga som ledde till videon och vilket kommentarsvar som sparades. När strukturen har kontrollerats kan utvecklaren lägga till normalisering och ämnesgruppering utan att ersätta ett okänt schema med antaganden.
Ange sökfraser, kördatum, urvalskriterier och antal bearbetade svar i rapporten. Slutsatserna gäller de specifika sökfrågorna och den data som returnerades; de hjälper till att undersöka upptäckta diskussioner och planera granskning samtidigt som ursprung och sammanhang bevaras.
Börja med en produkt och några diagnostiska sökfrågor: spara svaren, kontrollera kommentarsstrukturen och lägg sedan bara till verifierade fält i normaliseraren. Parametrarna för slutpunkterna beskrivs i API-dokumentationen, och produktinformation finns på sidan för TikTok Scraper API.