Cómo recopilar hashtags de Instagram desde epígrafes y primeros comentarios

Pasos de recopilación

1. Elegí una publicación conocida y conservá su URL o su código corto. Copiá el epígrafe actual desde la fuente pública a un campo de epígrafe aparte, con el momento de observación. El Actor de comentarios no aporta epígrafes. No uses el endpoint anterior de investigaciones pasadas.
2. Ejecutá una muestra pequeña en el orden predeterminado, con `maxCommentsPerPost` en `3`, para la prueba piloto. Definí `postUrls` con la URL pública conocida de la publicación o del Reel, `collectAllAvailable` en `false` y `commentSortMode` en `default`. Revisá la identidad del objetivo, el texto y `OUTPUT`. `savedRows` y `cappedTargets` son totales de la ejecución. Las entradas de objetivo guardan, para cada objetivo, `resultState`, `sampleHealth` y `stopReason`. El control actual ya comprobado, con un tope de tres filas, verifica solo la identidad de la fuente, el texto y las fechas. No demuestra la recuperación del comentario del dueño ni el primer comentario cronológico. No prometas un comentario del dueño a partir de un tope más alto. Aumentá el tope solo para una publicación conocida que lo justifique. Si la muestra pública oculta el comentario necesario, marcá como desconocida la evidencia de etiquetas del primer comentario e inspeccioná la publicación pública de forma manual.
3. Identificá la cuenta del dueño desde la publicación de origen. Emparejá `ownerId` cuando esté presente, porque un nombre de usuario por sí solo puede cambiar. Un comentario que etiqueta al creador no lo escribió el creador. Dejá sin resolver los emparejamientos de autor ambiguos.
4. Conservá, de cada comentario candidato escrito por el dueño, `commentId`, `text`, `createdAt`, `ownerId`, `ownerUsername`, `ownerVerified`, `likesCount`, `repliesCount`, `collectedAt` y la URL de origen. Tené en cuenta que `repliesCount` es un recuento mostrado, no una exportación de respuestas. Comprobá de forma manual si es el comentario inicial de hashtags previsto. El orden del más antiguo al más reciente solo ordena la muestra pública recopilada. No puede establecer el verdadero primer comentario. No marques como primero un candidato incierto.
5. Extraé los tokens de hashtag visibles, conservá la grafía original y creá una clave de comparación aparte con plegado de mayúsculas (casefold). Usá una regla de token clara. Para el inglés, aceptá el símbolo numeral seguido de letras, dígitos o un guion bajo. La puntuación termina el token. Otras escrituras necesitan una regla equivalente y comprobaciones manuales. Excluí menciones de usuario, direcciones de correo y símbolos numerales aislados.
6. Armá una tabla de procedencia. Incluí la clave de la publicación, la clave del comentario o el origen del epígrafe, la verificación del autor, la etiqueta original, la clave normalizada, `collectedAt` y el estado. No mezcles la etiqueta de otra persona con las etiquetas del dueño.
7. Compará las claves de etiquetas del epígrafe con las claves verificadas de etiquetas del comentario del dueño. Informá los conjuntos solo del epígrafe, solo del comentario y compartido. Mantené fuera de la afirmación de conjunto vacío la evidencia no disponible del comentario del dueño. Esto muestra la ubicación observada de las etiquetas, no una prueba de alcance.

Ejemplo resuelto ficticio

Este es un ejemplo ficticio original para mostrar cómo funciona la tabla. La publicación ficticia P1 tiene el epígrafe "Garden notes #LeafCare #HomeGarden." Un comentario verificado del dueño, C1, dice "More tags: #HomeGarden #SoilMix #LeafCare #SoilMix." Otra cuenta, C2, dice "Nice #PlantSale."

La identidad del dueño coincide con C1, y su ubicación inicial está comprobada en la publicación pública. El conjunto del epígrafe tiene leafcare y homegarden. El conjunto del comentario del dueño tiene homegarden, soilmix y leafcare. Las etiquetas compartidas son leafcare y homegarden. Solo del comentario es soilmix. El conjunto solo del epígrafe está vacío.

Seis apariciones de hashtags entre el epígrafe y el comentario pasan a ser tres claves distintas usadas por el dueño. La aparición duplicada de soilmix permanece en los datos de procedencia. La etiqueta plant sale de C2 queda excluida del conjunto usado por el dueño, pero permanece en los datos de origen. Si C1 no se puede ver en otra ejecución, decí que las etiquetas del comentario del dueño no están disponibles, en lugar de decir que el dueño no usó hashtags en los comentarios.

En la tabla de abajo, `Manual post-owner match` es la columna «Coincidencia manual publicación-dueño»: una comprobación del lector de que el `ownerId` del comentario coincide con la cuenta dueña de la publicación. El campo nativo `ownerVerified` es el campo de la insignia pública, no una prueba de titularidad de la publicación. Los valores de la insignia no se aportaron en los datos ficticios, así que se mantienen como desconocidos. Los valores de la tabla `Active` y `Excluded` son las celdas «Activo» y «Excluido». Representan decisiones de revisión del lector, no un estado nativo del conjunto de datos, porque el Actor no tiene un campo de estado del conjunto de datos. Los campos nativos `postUrl`, `postId` y `postShortCode` se conservan en cada fila real de procedencia; la clave de publicación del lector, P1, se usa para la ficción, y las URL y los identificadores reales no aportados se marcan como desconocidos en lugar de inventarlos.