分别读取 TikTok 分享与收藏，做出明确的内容决策

采集设置

在 build 0.1.36 上以 knownUrls 模式运行 TikTok Metrics Scraper。把整份五条视频的示例列表替换为 startUrls 中一条预定的已知公开视频，将 maxItems 设为 1，并将 includeProfileMetrics 设为 true，以便通过 TikTok Engagement Metrics Tracker Task 尽力采集当前公开的个人资料事实。

原生字段为 inputUrl、postUrl、postId、profileId、profileHandle、profileUrl、publishedAt、videoDurationSeconds、views、likes、comments、shares、saves、reposts、profileFollowersCount、postMetricStatus、profileMetricStatus、status、statusReason 和 scrapedAt。缺失的指标返回 null，而不是零。各项指标的可用性和精度记录在 postMetricStatus 内。

运行汇总统计存放在运行摘要中，与各条数据集行分开。其确切摘要字段为 providedUrls、contentUrls、inputUrls、resolvedUrls、metricRows、noPublicMetricRows、blockedRows、failedRows 和 statusCounts。同时使用已保存的原生数据集行和这份运行摘要，核对你预定的源目标。单条视频对照测试只验证公开计数器和个人资料 ID：其中 saves 与 reposts 返回为精确值，另外若干计数器返回为很可能已四舍五入。这次对照不能证明派生比率、私密结果或虚假粉丝过滤。

比较分享与收藏的八个步骤

1. 先说明一项决策。选择：实用教程获得的收藏行为是否多于快速讨论短片。挑选主题、发布后时间和观察时间相近的已知视频。这次比较是描述性的，不能证明内容因果关系。
2. 用当前已保存的互动 Task，对一条预定的已知视频做试点运行，并将 maxItems 设为 1。检查匹配的 ID、status、精确的 shares、saves、views 以及 postMetricStatus。保留 null 与零的区别。这条已知 URL 的单视频对照已成功，匹配了帖子与个人资料 ID，并得到公开的 views、likes、comments、shares、saves、reposts、个人资料粉丝数以及字段精度标记。若干计数很可能已四舍五入，而 saves 与 reposts 是精确值。这证明当前支持公开计数器，但不能证明留存、各自只计一次的观众或私密触达。
3. 保留原始计数和精度标签。很可能已四舍五入的 views 分母会使派生比率只是近似值。不要多打印小数位。把缺失计数排除在计算比率之外，并注明其可用性原因。
4. 把每个描述性比率写清楚。每 1,000 次公开观看的分享行为等于 shares 除以 views 再乘以 1,000。每 1,000 次公开观看的收藏行为等于 saves 除以 views 再乘以 1,000。只使用大于零且可用的 views。views 为零或未知时，比率是未定义，而不是零。这些是相对平台计数的行为次数，不是各自只计一次的观众所占的百分比。
5. 把两种行为分开。不要把 shares 和 saves 相加，再把总和称为各自只计一次的互动观众，因为同一个人可以做这两种行为。reposts 是单独返回的计数器。不要不加说明就把它等同于 shares。源数据变化可能使一次计数修订看起来像负向变化。
6. 做一张小对比表，列入视频发布后时间、主题、shares、saves、views、精度、比率和采集时间。如果观察时间不同，先说明这一点再排名。除非重复观察的范围已正确界定，公开的累计总量不是固定活动周期的报告。
7. 查看实际内容，并写下谨慎的下一步实验。收藏较多的教程或许值得测试一份更清楚、可再次使用的核对清单。提出的实验不能证明观众意图；它不是一条算法规则，也不是一项预测。转化问题需要自有点击数据和销售数据。
8. 测试之后，采集可比较的观察，并把假设与结果分开。不要宣称某一种行为在所有情况下都最重要。把它与你已说明的决策和数据质量联系起来。

原创虚构的精确示例

以下示例是原创虚构，不代表真实产品结果。

• 虚构视频 A 有 10,000 次观看、80 次分享和 300 次收藏。每 1,000 次观看有 8 次分享行为和 30 次收藏行为。
• 虚构视频 B 有 10,000 次观看、200 次分享和 40 次收藏。每 1,000 次观看有 20 次分享行为和 4 次收藏行为。
• 虚构视频 C 有 5,000 次观看，shares 为 null，saves 为 0。它的分享比率不可用，收藏比率为每 1,000 次观看 0 次行为。
• 虚构视频 D 有 0 次观看、0 次分享和 0 次收藏。两个比率都未定义，因为分母为零。

“精确”这一精度标签只适用于可用的虚构计数。视频 C 的 shares 为 null，表示其精度和状态不可用。你必须针对每一项指标分别检查公开的 postMetricStatus。

在这张描述性表格下，视频 A 更偏收藏，视频 B 更偏分享。这不能证明视频 A 的观众打算购买，也不能证明视频 B 会广泛传播。380 次行为的合计不等于 380 个不同的人（每人只计一次）。如果视频 A 使用了像 10K 这样四舍五入的观看计数，比率就会是近似值。