--- title: "Como construir um pipeline da Amazon com Bright Data + Mage IA" slug: mage-ai-with-bright-data date: 2026-02-18T06:58:13+00:00 modified: 2026-02-18T06:58:15+00:00 permalink: https://brightdata.com.br/blog/ai/mage-ai-with-bright-data type: blog --- [ Blog ](https://brightdata.com.br/blog "Blog") / [AI](https://brightdata.com.br/blog/ai) [AI](https://brightdata.com.br/blog/ai) # Como construir um pipeline da Amazon com Bright Data + Mage IA Crie um pipeline de dados completo da Amazon que coleta produtos, analisa avaliações com IA e apresenta os resultados por meio de um painel ao vivo usando Bright Data e Mage AI. 16 min de leitura [ ![Satyam Tripathi](https://media.brightdata.com.br/2024/09/Satyam-Tripathi-50x50.png) ](https://brightdata.com/blog/authors/satyam-tripathi) [Satyam Tripathi Technical Writer ](https://brightdata.com/blog/authors/satyam-tripathi) ![Mage AI with Bright Data blog image](https://media.brightdata.com.br/2026/02/Mage-AI-with-Bright-Data-blog-image.png) Fazer com que um pipeline de dados de produtos da Amazon funcione no seu laptop é uma coisa. Mantê-lo funcionando em produção, com Proxies, CAPTCHAs, alterações de layout e bloqueios de IP, é outra. Mesmo que você resolva a questão da extração em si, ainda precisará de agendamento, novas tentativas, tratamento de erros e uma maneira de realmente *ver* o que coletou. Vamos construir tudo isso aqui. Usaremos [a API de Scraping de dados da Bright Data](/products/web-scraper/amazon) e [o Mage IA](https://github.com/mage-ai/mage-ai) para conectar um pipeline que coleta produtos e avaliações da Amazon, executa a análise de sentimento Gemini e envia tudo para o PostgreSQL e um painel Streamlit. O pipeline completo é executado com o Docker e uma única chave API (além de uma chave Gemini opcional para análise de IA). **TL;DR**: inteligência de produtos da Amazon sem construir Infraestrutura de scraping. - **O que você ganha**: um pipeline que descobre produtos por palavra-chave, analisa avaliações com a IA Gemini e exibe um painel Streamlit ao vivo. - **Quanto custa**: pagamento conforme o uso, cobrado por registro ([página de preços](/pricing/web-scraper)), 5 a 8 minutos do início ao fim - **Como funciona: a** Bright Data lida com Proxies, CAPTCHAs e Parsing; a Mage IA lida com agendamento, novas tentativas e ramificação - **Como começar**: `docker compose up` – todo o código no [repositório GitHub](https://github.com/luminati-io/bright-data-with-mage-ai) ## O que estamos construindo: um pipeline de integração Bright Data + IA [A API de Scraping de dados](/products/web-scraper/amazon) da Bright Data lida com a camada de scraping. Você envia uma palavra-chave ou uma URL de produto e recebe um JSON estruturado (títulos, preços, avaliações, comentários, informações do vendedor), já analisado. Sem infraestrutura de Proxy para gerenciar, sem HTML para analisar. Quando a Amazon altera seu site, a Bright Data normalmente atualiza seus analisadores. Seu código permanece o mesmo. Se você nunca usou [o Mage IA](https://github.com/mage-ai/mage-ai) antes, ele é uma ferramenta de pipeline de dados gratuita e de código aberto, semelhante ao Airflow, mas sem o boilerplate. Você escreve Python em um editor no estilo notebook, onde cada bloco é uma unidade reutilizável com seu próprio teste e visualização de saída. O que importa aqui: o Mage IA suporta pipelines ramificados, basicamente um DAG (gráfico acíclico direcionado) com caminhos paralelos. Ele também possui lógica de repetição integrada por bloco e variáveis de pipeline que você pode alterar a partir da interface do usuário, sem necessidade de edições de código. O pipeline tem 6 blocos em dois ramos paralelos: ![Mage AI pipeline integrating Bright Data API for Amazon product data collection and review analysis](https://media.brightdata.com/2026/02/HkjPxvZ_Zl.png) *O pipeline ramificado na IA Mage. O ramo esquerdo exporta produtos imediatamente, o ramo direito coleta e analisa avaliações* O pipeline descobre produtos por palavra-chave via Bright Data, os enriquece com faixas de preço e classificações e, em seguida, se ramifica. Um caminho exporta produtos para o PostgreSQL imediatamente, enquanto o outro coleta avaliações dos principais produtos, as executa no Gemini para análise de sentimento e também as exporta. Estamos usando o Mage IA aqui porque o pipeline se ramifica (é um DAG, não um script linear – se a coleta de avaliações falhar, os dados do seu produto já estarão seguros), mas as chamadas da API Bright Data são apenas solicitações HTTP. Elas funcionam da mesma maneira no Airflow, Prefect, Dagster ou em um script Python simples. ## Início rápido Clone o repositório, adicione suas chaves de API e execute-o. Tudo é executado no Docker, então você não precisa ter o Python instalado localmente. ### Pré-requisitos Você precisará de: - **Docker e Docker Compose** ([obtenha o Docker](https://docs.docker.com/get-docker/)) - Uma conta **Bright Data** com token de API - Uma chave API **do Google Gemini** (nível gratuito disponível com limites; consulte a seção Gemini abaixo) - Conhecimento básico de Python e Docker. Não é necessária experiência em scraping; esse é o objetivo ### Etapa 1: clonar e configurar Clone o repositório e crie seu arquivo de configuração: ```none git clone https://github.com/triposat/mage-brightdata-demo.git cd mage-brightdata-demo cp .env.example .env ``` Agora adicione suas chaves API ao `.env`: ```none BRIGHT_DATA_API_TOKEN=sua_chave_api_aqui GEMINI_API_KEY=sua_chave_api_gemini_aqui ``` **Obtenha seu token da API Bright Data**: inscreva-se no \[Bright Data\] (avaliação gratuita, sem necessidade de cartão de crédito) e, em seguida, acesse [Configurações da conta](/cp/setting/users) e crie uma chave de API. O pipeline usa dois Scrapers da API de Scraping de dados (um para descoberta de produtos e outro para avaliações), cobrados por registro, com Pagamento por uso. Consulte a [página de preços](/pricing/web-scraper) para saber as taxas atuais. **Obtenha sua chave API Gemini**: acesse o [Google AI Studio](https://aistudio.google.com/apikey), faça login e clique **em Criar chave API**. Nível gratuito, sem necessidade de cartão de crédito. O pipeline também funciona sem ela; ele recorre à avaliação baseada em sentimentos. ### Etapa 2: inicie os serviços ```none docker compose up -d ``` Se você quiser verificar se suas chaves foram carregadas: ```none docker compose exec mage python -c "import os; t=os.getenv('BRIGHT_DATA_API_TOKEN',''); assert t and t!='your_api_token_here', 'Token not set'; print('OK')" ``` Isso inicia três contêineres: ServiçoURLFinalidade**Mage IA**`http://localhost:6789`Editor e programador de pipeline**Painel Streamlit**`http://localhost:8501`Visualização de dados em tempo real + chat**PostgreSQL**`localhost:5432`Armazenamento de dadosA primeira execução baixa imagens e instala dependências, levando cerca de 3 a 5 minutos, dependendo da sua conexão. Reiniciar com `docker compose stop/start` leva alguns segundos; `docker compose down/up` reinstala pacotes pip e leva cerca de um minuto. ![Docker containers running Mage AI, Streamlit, and PostgreSQL](https://media.brightdata.com/2026/02/S1t3zwWuWx.png) *Todos os três serviços em execução* ### Etapa 3: execute o pipeline Abra `http://localhost:6789`, vá para **Pipelines**, clique em `amazon_product_intelligence`, clique em **Triggers** na barra lateral esquerda e clique em **Run@once**. ![Mage AI dashboard with amazon_product_intelligence pipeline](https://media.brightdata.com/2026/02/HyayXwbdZg.png) *O painel do IA Mage* O pipeline leva cerca de 5 a 8 minutos do início ao fim. A maior parte desse tempo é dedicada às APIs da Bright Data coletando dados da Amazon; o enriquecimento e as exportações do banco de dados levam segundos, e a análise do Gemini depende do tamanho do lote e dos limites de taxa. Quando todos os 6 blocos ficarem verdes, abra `http://localhost:8501` para ver o painel. ![Mage AI pipeline with all 6 blocks completed – Bright Data API collection, enrichment, Gemini analysis, and PostgreSQL export](https://media.brightdata.com/2026/02/SJcM7v-dbl.png) *Todos os 6 blocos verdes. Pipeline concluído* ## Como funciona o pipeline de dados do Mage IA Vamos examinar o código. Vamos nos concentrar nas integrações da Bright Data e na análise do Gemini. ### Conectando a API de Scraping de dados da Bright Data ao Mage IA Enviamos palavras-chave para a API de produtos da Amazon e recebemos dados estruturados. A Bright Data chama isso de Scraper de “descoberta” – ele encontra produtos por palavra-chave ou categoria. O bloco de avaliações usa posteriormente um Scraper de avaliações separado, que recebe URLs de produtos como entrada. A API usa um padrão assíncrono: acione a coleta, obtenha um ID de instantâneo e faça a pesquisa até que os resultados estejam prontos. ```none DATASET_ID = "gd_l7q7dkf244hwjntr0" # Amazon Products (verifique o repositório para obter os IDs atuais) API_BASE = "https://api.brightdata.com/conjuntos-de-dados/v3" # Acione a coleta (usa /scrape – muda automaticamente para assíncrono se >1 min; para produção, considere /trigger) response = requests.post( f"{API_BASE}/scrape", headers={"Authorization": f"Bearer {api_token}", "Content-Type": "application/json"}, params={"dataset_id": DATASET_ID, "type": "discover_new", "discover_by": "keyword", "limit_per_input": kwargs.get('limit_per_keyword', 5)}, json={"input": [{"keyword": kw} for kw in keywords]}) snapshot_id = response.json()["snapshot_id"] # Pesquise até que os resultados estejam prontos data = requests.get( f"{API_BASE}/snapshot/{snapshot_id}", headers={"Authorization": f"Bearer {api_token}"}, params={"format": "json"} ).json() ``` Aqui está o que a Bright Data responde: ```none { "title": "Suporte de alumínio para laptop BESIGN LS03", "asin": "B07YFY5MM8", // ID exclusiva do produto da Amazon "url": "https://www.amazon.com/dp/B07YFY5MM8", "initial_price": 19.99, "final_price": 16.99, "currency": "USD", "rating": 4.8, "reviews_count": 22776, "seller_name": "BESIGN", "categories": ["Produtos de escritório", "Material escolar e de escritório"], "image_url": "https://m.media-amazon.com/images/I/..." } ``` O `kwargs.get('limit_per_keyword', 5)` extrai as variáveis do pipeline do IA, para que você possa ajustá-lo a partir da interface do usuário. ### Adicionando uma segunda chamada de API: coleta de avaliações da Amazon O coletor de avaliações pega os produtos processados do bloco upstream e os classifica por número de avaliações. Ele seleciona os N primeiros e insere suas URLs da Amazon em uma segunda API da Bright Data: ```none REVIEWS_DATASET_ID = "gd_le8e811kzy4ggddlq" # Avaliações da Amazon # Principais produtos do upstream (passados automaticamente pelo Mage AI) top_products = data.sort_values('reviews_count', ascending=False).head(top_n) product_urls = top_products['url'].dropna().tolist() # Insira URLs na API de avaliações (mesmo padrão /scrape) response = requests.post( f"{API_BASE}/scrape", headers={"Authorization": f"Bearer {api_token}", "Content-Type": "application/json"}, params={"dataset_id": REVIEWS_DATASET_ID}, json={"input": [{"url": url} for url in product_urls]}) # Mesmo padrão de pesquisa assíncrona que os produtos... ``` Ambos os blocos API têm configuração de repetição no `metadata.yaml` da demonstração: se uma chamada falhar, o pipeline repete três vezes com um atraso de 30 segundos. Cada bloco nesta demonstração também tem uma função `@test` que é executada após a execução. Se falhar, os blocos a jusante não são executados, para que os dados incorretos não acabem na sua base de dados. ### Adicionando análise de IA: bloco de pipeline de sentimento Gemini Em vez da correspondência de palavras-chave (que sinalizaria “não é barato, ótima qualidade!” como negativo por causa da palavra “barato”), usamos o Gemini para entender o contexto. O bloco processa avaliações em lotes com uma rotação de três modelos para permanecer dentro dos limites da camada gratuita: ```none GEMINI_MODELS = ["gemini-2.5-flash-lite", "gemini-2.5-flash", "gemini-2.5-pro"] # verifique o repositório para modelos atuais prompt = f"""Analise essas avaliações. Para CADA uma, retorne JSON com: - "sentiment": "Positivo", "Neutro" ou "Negativo" - "issues": problemas específicos do produto mencionados - "themes": 1-3 tags de tópicos - "summary": resumo de uma frase Retorne APENAS JSON.nn{reviews_text}""" para modelo em modelos: tente: resposta = cliente.modelos.gerar_conteúdo(modelo=modelo, conteúdo=prompt) retorne json.loads(resposta.texto.strip()) exceto Exceção como e: se '429' em str(e): continue # Taxa limitada -- gire para o próximo modelo ``` A rotação começa com flash-lite (o mais barato e rápido), recorre ao flash e, em seguida, ao pro. Se os três forem esgotados, a avaliação recebe uma classificação baseada no sentimento. As cotas do nível gratuito mudam periodicamente, mas a rotação dos três modelos lida com a maioria dos limites de taxa automaticamente. O Gemini retorna sentimento, problemas específicos (como “oscilações em superfícies irregulares” ou “dobradiça se solta com o tempo”) e 1 a 3 tags temáticas por avaliação. Cada avaliação também vem com um resumo de uma frase. Os blocos restantes (um transformador para níveis de preço e cálculos de desconto e dois exportadores de banco de dados com lógica upsert) são diretos. Eles estão no [repositório GitHub](https://github.com/luminati-io/bright-data-with-mage-ai), caso você queira se aprofundar. ## Saída do pipeline: resultados e painel Streamlit Veja o que o pipeline produziu em uma execução com as palavras-chave padrão: “suporte para laptop” e “fones de ouvido sem fio”. Seus resultados variam dependendo das listagens atuais da Amazon. Nesta execução: 10 produtos descobertos, 20 avaliações analisadas pelo Gemini. As avaliações dos fones de ouvido revelaram reclamações que não aparecem na média de 4,3 estrelas – temas como “qualidade do som”, “duração da bateria” e “conectividade” com problemas específicos associados. **O que o pipeline adiciona aos seus dados brutos**: CampoExemploAdicionado por`best_price`$16,99Transformador (calculado)`discount_percent`15,0Transformador (calculado)`faixa_de_preço`Orçamento (<$25)Transformador (enriquecido)`categoria_de_classificação`Excelente (4,5-5)Transformador (enriquecido)`sentimento`NegativoGemini IA`problemas`\[“O Bluetooth perde a conexão com frequência”\]Gemini IA`temas`\[“conectividade”, “duração da bateria”\]Gemini IA`ai_summary`“A bateria dura apenas 2 horas, apesar da promessa de 8 horas”Gemini IAVeja como isso funciona na prática – todos os 10 produtos com campos enriquecidos visíveis: ![Amazon product data collected by Bright Data API with enriched price tiers, ratings, and review counts](https://media.brightdata.com/2026/02/rJ-eEDW_-x.png) *Todos os 10 produtos com campos enriquecidos. Faixas de preço, classificações e contagem de avaliações de duas categorias diferentes de produtos* ### O painel Abra `http://localhost:8501` para acessar o painel Streamlit. Clique em **Atualizar dados** na barra lateral para obter os resultados mais recentes do PostgreSQL. ![Amazon product intelligence dashboard showing price comparison, price tiers, and filtering controls](https://media.brightdata.com/2026/02/rkpw8Db_Zx.png) *Painel de inteligência de produtos — comparação de preços, faixas de preço e controles de filtragem* A barra lateral permite filtrar por faixa de preço, classificação ou sentimento. A visualização do sentimento mostra a divisão Positiva/Negativa em todas as avaliações, com as questões específicas que o Gemini destacou: “Bluetooth perde a conexão”, “dobradiça se solta com o tempo”, o tipo de detalhe que as classificações por estrelas ocultam. ![Amazon review sentiment analysis results showing positive and negative breakdown with AI-detected issues](https://media.brightdata.com/2026/02/H1-FLv-OZl.png) *Discriminação de sentimentos e problemas do produto detectados pela IA. Reclamações reais extraídas pelo Gemini, não correspondência de palavras-chave* O painel também possui um recurso **chamado “Converse com seus dados** ”. Faça perguntas em inglês simples e a Gemini responderá usando seus dados reais coletados como contexto. Aqui está um exemplo de uma execução separada com mais produtos: ![Chat with Your Data feature – ask questions about scraped Amazon data in plain English](https://media.brightdata.com/2026/02/r17oUDb_Zx.png) *Faça perguntas sobre seus dados coletados em linguagem simples* ## Dimensionando o pipeline A demonstração é executada com duas palavras-chave e 10 produtos. ### Variáveis do pipeline Todas configuráveis a partir da interface do usuário do IA ou `metadata.yaml`: VariávelO que controlaPadrão`palavras-chave`Termos de pesquisa da Amazon`["suporte para laptop", "fones de ouvido sem fio"]``limite_por_palavra-chave`Produtos por palavra-chave da Bright Data`5``top_n_products`Quantos produtos mais vendidos recebem avaliações coletadas`2``avaliações_por_produto`Número máximo de avaliações por produto`10``sort_by`Como classificar os produtos para seleção de avaliações`contagem_de_avaliações`Altere `as palavras-chave` para `["capa de celular", "hub USB-C"]` e você terá um conjunto de dados totalmente diferente. Sem alterações no código. ![Configurable pipeline variables in the Mage AI UI for Amazon search keywords and limits](https://media.brightdata.com/2026/02/rJhyvvZObl.png) *Variáveis de pipeline na interface do usuário do Mage IA* ### Agendamento Para executar isso em uma programação, vá para **Triggers** na barra lateral do Mage IA, clique em **+ New trigger**, selecione **Schedule** e escolha uma frequência (uma vez, de hora em hora, diariamente, semanalmente, mensalmente ou cron personalizado). Cada execução faz upserts por ASIN – ela substitui os dados dos mesmos produtos, preservando os resultados de outras palavras-chave. Um backup CSV com carimbo de data/hora também é salvo para comparação histórica. Depois de ter algumas execuções de dados, você pode consultar o PostgreSQL diretamente para revelar reclamações que as classificações por estrelas não mostram: ```none -- Encontre produtos com alto sentimento negativo SELECT asin, product_name, AVG(CASE WHEN sentiment = 'Negative' THEN 1 ELSE 0 END) as negative_rate FROM amazon_reviews GROUP BY asin, product_name HAVING AVG(CASE WHEN sentiment = 'Negative' THEN 1 ELSE 0 END) > 0.2; ``` Para monitorar seus próprios produtos em vez de pesquisar palavras-chave, remova os parâmetros `type`, `discover_by` e `limit_per_input` e passe as URLs dos seus produtos diretamente como `[{"url": "https://www.amazon.com/dp/YOUR_ASIN"}]`. Se você precisa de painéis e alertas sem precisar criá-los, [o Bright Insights](/products/insights) faz isso sem configuração extra para dados de varejo. **Ampliação.** Esta demonstração é executada no Docker em uma única máquina, mas o Mage IA oferece suporte a um [executor Kubernetes](https://docs.mage.ai/production/executors/k8) para produção, e as APIs da Bright Data lidam com a simultaneidade em sua extremidade (com [limites de taxa](https://docs.brightdata.com/datasets/scrapers/scrapers-library/overview) para solicitações em lote). A ampliação consiste em adicionar capacidade ao Mage IA, não em alterar seu código de coleta de dados. ### Integração de outros scrapers da Bright Data O mesmo padrão de pipeline funciona com qualquer um dos [Scrapers prontos](/products/web-scraper) da Bright Data [para mais de 100 sites](/products/web-scraper). Por exemplo, consulte os repositórios [Google Maps Scraper](https://github.com/luminati-io/Google-Maps-Scraper), [LinkedIn Scraper](https://github.com/luminati-io/LinkedIn-Scraper) e [Crunchbase Scraper](https://github.com/luminati-io/crunchbase-scraper). Para mudar da Amazon para outra plataforma, troque o `DATASET_ID` nos blocos do carregador de dados e ajuste os parâmetros de entrada para corresponder ao esquema do novo Scraper. Para encontrar o ID e os campos de entrada corretos, navegue pela [Biblioteca de Scrapers](/cp/scrapers/browse) em seu painel ou chame o endpoint [`/datasets/list`](https://docs.brightdata.com/api-reference/marketplace-dataset-api/get-dataset-list) – o Construtor de Solicitações de API no painel mostra exatamente o que cada Scraper espera. A análise Gemini e a estrutura do pipeline são mantidas como estão; os blocos de enriquecimento e exportação podem precisar de ajustes nos nomes das colunas se os campos de resposta do novo Scraper forem diferentes dos da Amazon. ## Solução de problemas Se algo der errado durante a configuração ou execução, aqui estão as soluções mais comuns: - **A porta 6789 ou 8501 já está em uso**. Outro serviço está ocupando a porta. Interrompa esse serviço ou edite `o docker-compose.yml` para remapear as portas (por exemplo, altere `6789:6789` para `6790:6789`). - **A API da Bright Data retorna 401 Não autorizado**. Seu token de API está ausente ou malformado. Vá para [Configurações da conta](/cp/setting/users), copie o token completo e certifique-se de que não haja espaços à direita no seu arquivo `.env`. O token é uma longa sequência hexadecimal (64 caracteres). Se o que você copiou for curto ou tiver traços como um UUID, você pode ter copiado o campo errado. - **O Gemini retorna 429 (limite de taxa) em todos os modelos**. O nível gratuito tem limites por minuto que mudam periodicamente. O pipeline lida com isso alternando entre três modelos, mas se todos os três forem esgotados, as avaliações voltam para o sentimento baseado em classificação. Para evitar isso: reduza `reviews_per_product` nas variáveis do pipeline, adicione um `time.sleep(60)` entre os lotes no bloco Gemini ou habilite o faturamento em seu projeto Google IA para cotas mais altas. Verifique [a página de limites de taxa](https://ai.google.dev/gemini-api/docs/rate-limits) do Google para saber as cotas atuais. - **Um bloco do pipeline aparece em vermelho (falha)**. Acesse a página **Logs** do seu pipeline (acessível na barra lateral esquerda) para ver o erro. Você pode filtrar por nome do bloco e nível de log. Causas comuns: token de API expirado, tempo limite de rede na API Bright Data (aumente `max_wait_seconds` no bloco) ou uma resposta Gemini que não é JSON válida (a função `@test` do bloco detecta isso). - **O Docker Compose é lento ou falha no Apple Silicon**. A imagem Mage IA é multi-arquitetura e funciona no ARM, mas a extração inicial pode demorar mais. Se a compilação falhar com um erro de memória, aumente a alocação de memória do Docker Desktop para pelo menos 4 GB em Configurações → Recursos. ## Próximos passos Você tem um pipeline funcional que coleta dados de produtos da Amazon, executa análises de avaliações com IA e armazena tudo no PostgreSQL – sem proxies, sem analisadores, sem tarefas cron que você tem medo de tocar. Se você seguiu as instruções, personalize-o. Troque a lista `de palavras-chave` em `metadata.yaml` por uma categoria de produto diferente – sem necessidade de alterações no código. Para uma personalização mais profunda, direcione-o para ASINs específicos ou mude para um [Scraper Bright Data](/products/web-scraper) totalmente [diferente](/products/web-scraper). É novo aqui? **\[Comece com um teste grátis do Bright Data\]() (sem necessidade de cartão de crédito)**, clone o [repositório de demonstração](https://github.com/luminati-io/bright-data-with-mage-ai) e execute `o docker compose up`. ## Perguntas frequentes Perguntas comuns sobre esta configuração: ### Como faço para extrair dados de produtos da Amazon com Python? Você pode criar seu próprio Scraper com requests e BeautifulSoup (que deixa de funcionar quando a Amazon altera os layouts) ou usar [o Scraper da Amazon](/products/web-scraper/amazon) da Bright Data, que retorna JSON estruturado a partir de uma única chamada de API. Para um exemplo independente em Python, consulte o [repositório Amazon Scraper](https://github.com/luminati-io/Amazon-scraper). Para um aprofundamento, consulte [o guia completo de scraping da Amazon](/blog/how-tos/how-to-scrape-amazon) da Bright Data ### Quanto custa extrair dados da Amazon com a Bright Data? A API de Scraping de dados usa preços pré-pagos, cobrados por cada 1.000 registros coletados. O nível gratuito do Gemini cobre a análise de IA. Novas contas têm direito a um [teste gratuito](/products/web-scraper). Consulte a [página de preços](/pricing/web-scraper) para ver as taxas atuais. ### Posso fazer scraping do Walmart, eBay ou outros sites de comércio eletrônico com este pipeline? Troque o `DATASET_ID` nos blocos do carregador de dados e ajuste os parâmetros de entrada para corresponder ao novo esquema do Scraper. A análise do Gemini e a estrutura do pipeline são mantidas; os blocos de enriquecimento e exportação podem precisar de ajustes nos nomes das colunas. ### O que acontece quando a Amazon altera o layout da página? Nada do seu lado. A Bright Data mantém os analisadores, portanto, quando a Amazon atualiza seu HTML, suas chamadas de API e formato de resposta normalmente permanecem os mesmos. ### Preciso do Gemini ou posso usar um LLM diferente? O pipeline funciona sem o Gemini; ele recorre à avaliação baseada em sentimentos. Para trocar por um LLM diferente (OpenAI, Claude, Llama), modifique a função `analyze_reviews` no bloco Gemini. O formato do prompt permanece o mesmo; basta alterar a chamada da API. Contate-nosTeste grátis![google social icon](/wp-content/themes/brightdata/assets/images/ic_google.svg) Índice [ ](https://news.ycombinator.com/submitlink?t=Como+construir+um+pipeline+da+Amazon+com+Bright+Data+%2B+Mage+IA&u=https://brightdata.com.br/blog/ai/mage-ai-with-bright-data) [ ](https://www.linkedin.com/shareArticle?mini=true&title=Como+construir+um+pipeline+da+Amazon+com+Bright+Data+%2B+Mage+IA&url=https://brightdata.com.br/blog/ai/mage-ai-with-bright-data) [ ](http://www.reddit.com/submit?title=Como+construir+um+pipeline+da+Amazon+com+Bright+Data+%2B+Mage+IA&url=https://brightdata.com.br/blog/ai/mage-ai-with-bright-data) ## Você também pode estar interessado em [ ![OpenHuman with Bright Data](https://media.brightdata.com.br/2026/09/OpenHuman-with-Bright-Data.png) ](https://brightdata.com.br/blog/ai/openhuman-with-bright-data "Acesso à Web Pronto para Produção no OpenHuman Através do Bright Data CLI") [AI ![Antonello Zanini](https://media.brightdata.com.br/2022/12/Antonello-Zanini-2-50x50.jpg) Antonello Zanini Technical Writer ### Acesso à Web Pronto para Produção no OpenHuman Através do Bright Data CLI Integre o Bright Data CLI ao OpenHuman para habilitar acesso à web pronto para produção e coleta de dados para agentes de IA. 09-Sep-2026 14 min de leitura ](https://brightdata.com.br/blog/ai/openhuman-with-bright-data) [ ![Multimodal Web Scraping with MiniMax](https://media.brightdata.com.br/2026/09/Multimodal-Web-Scraping-with-MiniMax.png) ](https://brightdata.com.br/blog/dados-do-site/multimodal-web-scraping-with-minimax "Scraping de Dados Multimodal com MiniMax") [Dados do site ![Antonello Zanini](https://media.brightdata.com.br/2022/12/Antonello-Zanini-2-50x50.jpg) Antonello Zanini Technical Writer ### Scraping de Dados Multimodal com MiniMax Combine a API Web Unlocker da Bright Data com a visão MiniMax M3 para extrair dados estruturados de imagens e capturas de tela de páginas web. 09-Sep-2026 5 min de leitura ](https://brightdata.com.br/blog/dados-do-site/multimodal-web-scraping-with-minimax) [ ![The 10 Best CLI Tools for Codex in 2026](https://media.brightdata.com.br/2026/08/The-10-Best-CLI-Tools-for-Codex-in-2026.png) ](https://brightdata.com.br/blog/ai/best-cli-tools-for-codex "As 10 Melhores Ferramentas CLI para Codex em 2026 – Testadas & Classificadas") [AI ![Daniel Shashko](https://media.brightdata.com.br/2022/04/Daniel-Shashko-2-50x50.png) Daniel Shashko Web Data & AI Expert ### As 10 Melhores Ferramentas CLI para Codex em 2026 – Testadas & Classificadas As 10 ferramentas CLI que tornam o Codex mais rápido e capaz, começando com o Bright Data CLI para acesso real à web de dentro do sandbox. 06-Sep-2026 24 min de leitura ](https://brightdata.com.br/blog/ai/best-cli-tools-for-codex)