1. Scrapen, Abholen des eigenen Streams
2. Speichern der Posturl-Liste in eine „Memo“
3. Schleife: (for-to-do) Ansurfen der Post-Urls
3.1. Quellcodeanalyse und suchen nach:
og:image“ content=“bildurl?ig_cache_key=key“
3.2. Entferne cache_key
3.3. Download der Bilder

Weiter lesen, Quellcodebeispiele
Datei aus dem WWW downloaden (Delphi)
Quelltext aus TWebbrowser auslesen
Rohdatenanalyse, IG-Account

[Einbindung der Unit]
uses json;

[Prozedur]
procedure tagdaten_holen;
var lauf: integer;
JSONArray: tJSONArray;
JSONValue: tJSONValue;
JSONPair: TJSONPair;
JSON: TJSONObject;
i: integer;
begin
try
debug.Text:=idhttp1.Get(‚https://api.instagram.com/v1/tags/search?q=’+tagrecherche.text+’&access_token=’+token.text);
JSONValue := TJSONObject.ParseJSONValue(debug.text);
JSON := TJSONObject.ParseJSONValue(debug.Lines.Text) as TJSONObject;
JSONArray := TJSONArray(JSON.Get(‚data‘).JsonValue);
with tagr_roh do
begin
cells[0,0]:=’Nr.‘;
cells[1,0]:=’Tag‘;
cells[2,0]:=’Reichweite‘;
colcount:=3;
rowcount:=1;
end;
for i := 0 to JSONArray.Size – 1 do
begin
with tagr_roh do
begin
cells[0,rowcount]:=inttostr(rowcount);
cells[1,rowcount]:=(TJSONPair(TJSONObject(JSONArray.Get(i)).Get(’name‘)).JsonValue.Value);
cells[2,rowcount]:=(TJSONPair(TJSONObject(JSONArray.Get(i)).Get(‚media_count‘)).JsonValue.Value);
rowcount:=rowcount+1;
end;
end;
except
showmessage(‚Fehler mit der Internetverbindung. Prüfe Diese und den Token!‘);
end;
end;

[Ausgangslage]
– Klicken von Tags
– anzuklickende Tags besitzen keine individuelle ID
– es existiert eine Tagliste, aus der der anzuklickende Tag ausgewählt werden muss
– anzuklickende Tags besitzen individuelle „innertext“

[Vorgehensweise]

(1) Variablendeklaration
uses mshtml;
var ovElements, ovelements_1: OleVariant;

(2) Suchen und Klicken
ovElements_1 := WebBrowser1.OleObject.Document.all;
for j := 0 to (ovElements.Length - 1) do
if (ovElements_1.item(j).className = 'name') then
begin
if ovelements_1.item(j).innertext="wort" then
begin
ovElements_1.item(j).Click;
end;
end;

Weitere Infos:
TWebbrowser – Oledata

(1) Webbrowser – Prozess durchführen und auf Beendigung warten
(2) SetProcessWorkingSetSize(GetCurrentProcess, $FFFFFFFF, $FFFFFFFF); in den Code einfügen

Bei einem konkreten Projekt wurde hierüber der durchschnittliche Verbrauch von ca. 650MB auf 60-80MB (schwankend) gedrückt.

(A) Screenshots

(B) Beispieldatensätze
Die nachfolgenden Excel-Tabellen sind Exports aus der Anwendung.
Sie zeigen:
(1) Rohdaten – Pinterest // Suchvorschläge
pint_suggest.xlsx
Die Datenerhebung erfolgt über die Funktionen, welche ich im Artikel „Pinterest – Suchvorschläge auslesen“ beschrieb.
(2) Rohdaten – Pinterest // Themenwelten
pint_rohdaten.xlsx
Die Datenerhebung erfolgt über die Funktionen, welche ich im Artikel „Pinterest – Themenwelten auslesen“ beschrieb.
(3) Pinterest // Themenwelten gewichten, Zusammenzählung
Um die erhobenen Daten in ein interpretationsfähiges Format zu bringen, werden in der Anwendung die gefundenen „Unterthemen“ oder „weiterführende Themen“ zusammen gezählt und nochmal in Zuordnung zu den „Themenwelten“ dargestellt. Die Datei pint_zfg.xlsx zeigt das entsprechende Beispiel.

(A) Suchmaschinen
[Datenquelle „Google“]
– Suchvorschläge
– generierte Fragen analog zum „W-Fragen-Tool“
– generierte Phrasen auf Basis von Städten für die Vermarktung von lokal abhängigen „Dingen“
– GoogleTrends

[Datenquelle „Bing“]
– Suchvorschläge

(B) Socialmedia
[Datenquelle „Instagram“]
– Tagrecherche zzgl. Reichweitenauswertung(en)

[Datenquelle „Pinterest“]
– Suchvorschläge
– Themenweltenanalyse(n)

(C) Recherchefunktionen
– Abgleich: Suma <> Socialmedia
– Abgleich: G-Trends <> Socialmedia

Weitere potentielle Datenquellen, welche sich aktuell in einer Art „Werthaltigkeitsanalyse“ befinden, sind:
– GooglePlaces inkl. Öffnungszeiten und ggf. vorhandenen Bewertungen
– GoogleShopping inkl. Preisdifferenzen und ggf. vorhandenen Bewertungen
– Twitter: Hashtagsuche und Trends
– Gplus: Hashtagauswertung
– Facebookpages, sofern „offen“ und auslesbar
– Youtube: Suchvorschläge (?), Taganalysen (!)
– Keywordplaner, sofern kostenlos abrufbar (muss ich noch prüfen)

(a) Spammer für eine Berufsinfoseite zzgl. Verkauf von eBooks
„Ich war kürzlich auch noch im Johannapark. Sehr schön dort und ja – das Objekt soll einen Barockpark darstellen, habe ich auch gehört.“

Dieser Spam zielte auf einen Beitrag mit Thema „Johannapark“ ab und das Impressum der hinterlegten Url sagte mir, dass der Spammer wohl mit einer enorm geringen Wahrscheinlichkeit den Park besucht hatte. Das banale Zitieren von Hinweisen bzgl. des fotografierten Kunstwerks zauberter mir ein Lächeln auf die Lippen. Der Linktext war – selbstverständlich – ein Name, welcher nicht deckungsgleich mit dem Namen aus dem Impressum der hinterlegten Url ist.

(b) Amazonaffiliate-Spammer (Wohnen, Einrichten, Deko)
„Ich denke gerade auch auf Messen findet man tolle Ideen für Deko. Ich habe eine tolle Seite im Netz gefunden, welche von Weinkisten und deren Verwendung handelt. Tolle Dekoideen sind dort zu sehen. Ich finde es einfach schön, wenn sich leute die Zeit dafür nehmen.
So eine Messe möchte ich allerdings auch einmal besuchen! Wie gesagt auf [domainname] findet Ihr tolle Dekoideen“

Dieser Spam zielte auf eine Galerie ab, welche ich nach einem Messebesuch (Themen: Einrichten, Wohnen, Wohnwelten etc.) gestaltete. Interessant bei dieser „Werbung“ ist natürlich, dass der Linktext genau deckungsgleich zur hinterlegten Domain war. Amüsant fand ich hier auch die halbgar ausformulierte „Empfehlung“ und ich dachte schon darüber nach, den Spammer direkt anzurufen und ihn darüber zu informieren, dass diese Pseudoempfehlung sich im hinterlegten Spamlink und noch im Linktext // Name befindet.

Die ausgewählten Spambeispiele sind nur exemplarisch und ich beobachte derzeit zwischen 10-12 „frische“ Spams / Tag auf unseren Fotoblog. Neu scheint hier zu sein, dass nicht mehr ausschliesslich die klischeehaften Amazonaffiliatespammer auftauchen, sondern dass auch Shops, relativ bekannte Geschäfte und auch Vertreter_innen aus Coaching & Beratung sichtbar werden.

[Schritt 1]
=> Download: https://de.pinterest.com/search/pins/?q=[suchwort]
[Schritt 2]
=> Identifikation von [suchwort] im Quellcode
[Schritt 3]
=> Übergabe in die Rohdaten und spätere Interpretationen (Matrix, Zusammenzählung, Abgleich mit anderen Themenwelten usw.)

– Auslesen von Suchvorschlägen auf Basis der G-Suggest-API-Schnittstelle
– Mehrstufiges Auslesen der Suchvorschläge
– Anbindung an die API von Bing
– Auslesen der Suchvorschläge aus Pinterest

[Exportfunktionen]
– unterstütze Formate: XLSX, CSV und HTML
– Ergänzung der Reports um die Spalten „Datum“, „Kürzel“ zwecks Optimierung von Teamarbeiten

Das aktuelle Compilat wurde an die Kund_innen und Betatester_innen verteilt. Im Moment denke ich noch intensiv über die Weiterentwicklung des Projektes „Suchvorschlagstool“ in eine andere Richtung nach. Der Grund ist einfach: ich bin kein wirklicher Freund der These, dass ausgelesene Suchvorschläge oder Ergebnisse aus den W-Fragen-Recherche-Prozeduren ein tatsächliches Interesse in Form von Suchintentionen abbildet oder abbilden kann.

Eventuell werde ich bei Gelegenheit prüfen, inwiefern man Blogkommentare, Blogs-Allgem, FB-Kommentare oder die Forenszene in die Beobachtung einbezogen werden kann.

[Übergabe der Suche via http-GET]
https://de.pinterest.com/search/pins/?q=’+tagrecherche.text

[Auslesen der Suchvorschläge]
=> Quellcodeanalyse nach
(a) title=“Search for
oder
(b) title=“Nach

Die auslesbaren Phrasen wirken hierarchisch geordnet. Die Datensatzquelle wurde in den „Pinbot 0.2b“ und in das aktuelle Experiment integriert.

Ich habe daher kurzfristig die folgende Ausgangssituation geschaffen:
– Umprogrammierung des beschriebenen IG-Tools / Bots auf Pinterest

[Funktionen]
– Wechsel der IG-Tagreichweitensuche auf Interessensmatrix-Schema
– Rechercheeinstiegspunkt: Pin-Suche und Pinwand-Suche
– Liken via Halbautomatismus (manuelle Zielwahl)

[Account]
– „Hobbyprojekt“, angedockt ein Fotoblog
– 50% Nischenthemen rund um Fotografie / 50% „Allerweltsthemen“ mit Schwerpunkt auf „Leipzig“

[Aktuelle Zahlen]
=> Auslesbar aus der Pinterest-Statistik
=> „Ihr Pinterest-Profil“

[Datum] => [Aufrufe] / [Betrachter]
01.06.2016 => 1768 / 770
07.06.2016 => 1567 / 717
11.06.2016 => 1102 / 562
Start des Experimentes => 11.06.2016
12.06.2016 => 2694 / 684
13.06.2016 => 4121 / 1768

Eine signifikante Steigerung der Metriken „Fans“, „Repins“, „Weiterpinner“ und Durchklicks auf die platzierten Pins lässt sich im Moment nicht beobachten. Sollten sich die Metriken „Aufrufe“ und „Betrachter“ durch die gewählte Strategie weiter steigern lassen, werden in der nächsten Woche weitere Accounts der W&L GbR in das Experiment integriert.

Folgende Beispiele zauberten mir neulich ein Lächeln auf die Lippen:

(a) „Shop“ für Elektrotechnik // Digitalisierungstechnik

„Coole Bilderanordnung auf deinem Blog, überlege sowas auch auf meinem Blog einzustellen :).

Viele Grüße
[Name]“

Ziel des Commentspam war eine Galerie, welche ein großes Gebäude zeigt. Die Bilderanordnung ist hier übrigens die Standardgalerie von WordPress. Sie ist weder „neu“, noch in irgendeiner Form besonders kreativ.

(b) Amazon-Affiliatespammer „Nischenseite“ zum Thema „Sport und Gesundheit“

„Schöne Bilder. Ich mag Spatzen, die sehen immer so nett und bodenständig aus.“

Ziel des Spams war eine Galerie, die einen badenden Spatzen zeigt. Warum hier nun ein Spatz „bodenständig“ aussieht, ist mir persönlich absolut schleierhaft. Gut: der Vogel bewegte sich am Boden.

(c) Autoankauf-Spammer
„hallo
das ist sehr schöne vielen dank“

Ziel des Spams war ein Bild aus einer Galerie, welche „Kunst im öffentlichen Raum“ zeigt. Eine logische Querverbindung zwischen Autoankauf und einer öffentlich begutachtbaren Statue kann ich ebenfalls nicht erklären.

Natürlich möchte hier niemand den Commentierenden Spamwünsche unterstellen, aber „wir“ geben hier den interessierten Laien und auch (!) Kolleg_innen einen einfachen und absolut effektiven Tipp, wenn es um das Thema „Linkaufbau via Blogcomments“ geht:

Schreibt nur Kommentare, wenn es auch tatsächlich etwas zu sagen gibt.

memo_ziel.text:=Utf8ToAnsi(memo_quelle.Text);

1. Existiert ein logisches Verhältnis von Likeaktivitäten zu neuen Fans?
2. Lassen sich über „Likes“ Clicks und Repins „optimieren“?

Eventuell werde ich hier das System „Interessensmatrizen“ als Recherchefunktion für Trends und Zielgruppen verwerten.

Ich muss an dieser Stelle zugeben, dass ich bis dato nicht den geringsten Gedanken an Bots verschwendet hatte und mir deren Existenz eigentlich auch nicht klar war, bis ich – rein zufällig – den ersten Accountinhaber in der Stadt traf. Das Gespräch war interessant und hier wurde mir die Namen der Bots genannt. Ausgehend von entsprechenden Recherchen und Testläufen gelang mir das Analysieren der Muster solcher Bots.

Also, Indikatoren für verwendete Bots können (!) sein:

– das Liken von veralteten und extrem alten Posts
– das Liken von Posts, deren Infos / Tags / Inhalte absolut keine Querverbindung zum likenden Account aufzeigen
– das Absetzen von Kommentaren mit „wenig Inhalt“ („grandios“, „like“ und diverse Piktogramme)
– Muster im Liken anhand der Likezahl (nur 5, nur 3)
– Muster im Liken anhand bestimmter Zeitpunkte
– Muster im Liken anhand fester Hashtags

Ich bekomme ständig Rückmeldungen über IG-bezogenen Strategien, Bots und Bedürfnisse bezüglich Instagram. Eine der wichtigsten ist – natürlich – das Erwirtschaften von möglichst großen Fanzahlen. Hin und wieder schaue ich mir gern einmal Zahlen und konkrete Beispiele an. Ausgehend von diesen oder jenen Erkenntnissen entstand unser eigener Instagram-„Bot“, welcher durchaus recht interessante Ergebnisse produzierte:

Account aus dem Bereich Tourismus
– ca. 4 Wochen Betreuung
– themenspezifische Fotos, Motive
– Schwerpunkt: eigene Fotos
– Ergebnis => ca. 200-220 Likes bei 25% der Posts
– gute Durchklicks auf die hinterlegten Links (bit.ly)
– ca. 2500 aktive Fans

Account aus dem Bereich Wohnen // Inneinrichtung
– ca. 6 Wochen Betreuung
– Fotos mit konkreten Einrichtungsszenarien
– Ergebnis => ca. 130 Likes bei 20% der Posts
– ca. 1500 aktive Fans

Account aus dem Bereich Softwareentwicklung „B2B“
– ca. 4 Wochen Betreuung
– Fotos mit Schwerpunkt: „Der Betrieb“
– konkrete Impressionen aus den Büros, dem „Leben“
– Ergebnis => ca. 60 Likes bei 10% der Posts
– ca 4500 aktive Fans
– gute Durchklicks

Diese Beispiele wurden hauptsächlich durch die Unterstützung der Software erwirtschaftet, die ich auf diesem Blog hin und wieder beschreibe. Ausgehend hiervon, der konkreten Umsetzung des Tools und der Features empfehle ich folgende Vorgehensweise bei der automatischen, halbautomatischen oder manuellen Strategie.

1. Like nur die neuesten Medien der ausgewählten Hashtags und setze hier ein Limit von maximal 20 Likes!
2. Recherchiere die Tags vorher nach deren Reichweiten und Reichweitenveränderungen!
– siehe meine Ausführungen zu Tagrecherche via API von Instagram
– beachte die Reichweitenveränderungen je (!) Beobachtungszeitraum
3. Erzeuge keine Muster in den Likes!
– Zeitpunkt
– keine Fixierung auf einen oder wenige Accounts
4. Bediene Trends!
– Inspirationsquellen sind: Werbung (TV), Influencer, Medien allgem.
5. Bleib beim Thema!
– Definiere Deine Tageinstiegspunkte hauptsächlich auf Basis Deiner Posts und Inhalte!
6. Bleib bei Deiner Zielgruppe!
– Inspirationsquellen sind: Tagsammlungen der gewünschten Fans und Nebentags zum Hauptthema

Im Gegensatz zu vielen Kolleg_innen habe ich eine eher neutrale Haltung zu den Werkzeugen „Bots“ oder „Instagram-Bots“. Ich empfehle allerdings, diese Tools nur dann einzusetzen, wenn man sich Folgendes auch bewusst macht:

– es kann bei falscher Konfiguration schief gehen
– man setzt die nicht ein, weil „jede(r) es macht“
– sie können niemals die mangelhafte Qualitäten von Posts ersetzen
– sie können niemals fehlende Zielgruppen kompensieren
– der Support und die Weiterentwicklung kann eingestellt werden
– IG könnte Muster erkennen und einzelne Bots aussperren