--- title: "Como extrair dados da Wikipedia com Python" slug: how-to-scrape-wikipedia date: 2026-02-17T09:11:13+00:00 modified: 2026-02-17T09:11:15+00:00 permalink: https://brightdata.com.br/blog/dados-do-site/how-to-scrape-wikipedia type: blog --- [ Blog ](https://brightdata.com.br/blog "Blog") / [Dados do site](https://brightdata.com.br/blog/dados-do-site) [Dados do site](https://brightdata.com.br/blog/dados-do-site) # Como extrair dados da Wikipedia com Python Guia passo a passo para extrair dados da Wikipedia usando Python e ferramentas essenciais. 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) ![How to Scrape Wikipedia blog image](https://media.brightdata.com.br/2024/10/How-to-Scrape-Wikipedia-blog-image.svg) A Wikipedia é uma fonte de informação extensa e abrangente, contendo milhões de artigos que cobrem quase todos os tópicos. Para pesquisadores, cientistas de dados e desenvolvedores, esses dados abrem inúmeras oportunidades, desde a construção de Conjuntos de dados de aprendizado de máquina até a realização de pesquisas acadêmicas. Neste artigo, vamos guiá-lo passo a passo pelo processo de extração de dados da Wikipedia. ## Usando a API Bright Data Wikipedia Scraper Se você deseja extrair dados da Wikipedia de maneira eficiente, a [API Bright Data Wikipedia Scraper](/products/web-scraper/wikipedia) é uma ótima alternativa ao Scraping de dados manual. Essa poderosa API automatiza o processo, tornando muito mais fácil coletar grandes volumes de informações. ### Principais casos de uso: - Coletar explicações sobre uma ampla variedade de tópicos - Comparar informações da Wikipedia com outras fontes de dados - Realizar pesquisas usando grandes conjuntos de dados - Extrair imagens da Wikipedia Commons Você pode obter seus dados em formatos como **JSON, CSV e .gz**, e ele oferece suporte a várias opções de entrega, incluindo **Amazon S3, Google Cloud Storage e Microsoft Azure**. Com apenas **uma chamada de API**, você pode acessar uma grande quantidade de dados de forma rápida e fácil! ## Como extrair dados da Wikipedia usando Python Siga este tutorial passo a passo para extrair dados da Wikipedia usando Python. ### 1. Configuração e pré-requisitos Antes de começar, certifique-se de que seu ambiente de desenvolvimento esteja configurado corretamente: - **Instale o Python**: baixe e instale a versão mais recente do Python no [site oficial do Python](https://www.python.org/downloads/). - **Escolha um IDE**: use um IDE como PyCharm, Visual Studio Code ou Jupyter Notebook para seu trabalho de desenvolvimento. - **Conhecimento básico**: certifique-se de estar familiarizado com [seletores CSS](https://developer.mozilla.org/en-US/docs/Web/CSS/CSS_selectors) e confortável com o uso [do DevTools do navegador](https://developer.mozilla.org/en-US/docs/Learn/Common_questions/Tools_and_setup/What_are_browser_developer_tools) para inspecionar elementos da página. > Se você é novo no Python, leia este [guia sobre como fazer scraping com Python](/blog/how-tos/web-scraping-with-python) para obter instruções detalhadas. Em seguida, crie um novo projeto usando [o Poetry](https://python-poetry.org/docs/basic-usage/), uma ferramenta de gerenciamento de dependências que simplifica o gerenciamento de pacotes e ambientes virtuais no Python. ```none poetry new wikipedia-Scraper ``` Este comando irá gerar a seguinte estrutura de projeto: ```none wikipedia-Scraper/ ├── pyproject.toml ├── README.md ├── wikipedia_Scraper/ │ └── __init__.py └── tests/ └── __init__.py ``` Navegue até o diretório do projeto e instale as dependências necessárias: ```none cd wikipedia-Scraper poetry add requests beautifulsoup4 pandas lxml ``` Primeiro, [o BeautifulSoup](https://pypi.org/project/beautifulsoup4/) é usado para realizar o Parsing de documentos HTML e XML, facilitando a navegação e a extração de elementos específicos de páginas da web. A biblioteca [requests](https://pypi.org/project/requests/) lida com o envio de solicitações HTTP e a recuperação do conteúdo de páginas da web. [O Pandas](https://pypi.org/project/pandas/) é uma ferramenta poderosa para manipular e analisar os dados coletados, particularmente útil ao trabalhar com tabelas. Por fim, [o lxml](https://lxml.de/parsing.html) é usado para acelerar o processo de Parsing, melhorando o desempenho do BeautifulSoup. Em seguida, ative o ambiente virtual e abra a pasta do projeto em seu editor de código preferido (VS Code, neste caso): ```none poetry shell code . ``` Abra o arquivo `pyproject.toml` para verificar as dependências do seu projeto. Ele deve ter a seguinte aparência: ```none [tool.poetry.dependencies] python = "^3.12" requests = "^2.32.3" beautifulsoup4 = "^4.12.3" pandas = "^2.2.3" lxml = "^5.3.0" ``` Por fim, crie um arquivo `main.py` dentro da pasta `wikipedia_scraper`, onde você escreverá sua lógica de scraping. Sua estrutura de projeto atualizada deve ficar assim: ```none wikipedia-Scraper/ ├── pyproject.toml ├── README.md ├── wikipedia_Scraper/ │ ├── __init__.py │ └── main.py └── tests/ └── __init__.py ``` Seu ambiente está configurado e você está pronto para começar a escrever o código Python para fazer o scraping da Wikipedia. ### 2. Conectando-se à página da Wikipedia desejada Para começar, conecte-se à página da Wikipedia desejada. Neste exemplo, vamos extrair a seguinte [página da Wikipedia](https://en.wikipedia.org/wiki/Cristiano_Ronaldo). ![Cristiano Ronaldo's page on Wikipedia](https://media.brightdata.com.br/2024/10/how-to-scrape-wikipedia-screenshot-wikipedia-page.png)Aqui está um trecho de código simples para se conectar a uma página da Wikipedia usando Python: ```none import requests # Para fazer solicitações HTTP from bs4 import BeautifulSoup # Para realizar o Parsing do conteúdo HTML def connect_to_wikipedia(url): response = requests.get(url) # Envie uma solicitação GET para a URL # Verificar se a solicitação foi bem-sucedida if response.status_code == 200: return BeautifulSoup(response.text, "html.parser") # Analisar e retornar o HTML else: print(f"Falha ao recuperar a página. Código de status: {response.status_code}") return None # Retorne None se a solicitação falhar wikipedia_url = "" soup = connect_to_wikipedia(wikipedia_url) # Obtenha o objeto soup para o URL especificado ``` No código, a biblioteca Python `requests` permite enviar uma solicitação HTTP para a URL e, com `o BeautifulSoup`, você pode realizar o Parsing do conteúdo HTML da página. ### 3. Inspecionando a página Para extrair dados de forma eficaz, você precisa entender a estrutura do [DOM](https://developer.mozilla.org/en-US/docs/Web/API/Document_Object_Model) (Document Object Model) da página da web. Por exemplo, para extrair todos os links da página, você pode direcionar as tags ``, conforme mostrado abaixo: ![Inspecting links on a Wikipedia page](https://media.brightdata.com.br/2024/10/how-to-scrape-wikipedia-screenshot-extract-links.png)Para extrair imagens, segmente as tags `` e extraia o atributo `src` para obter as URLs das imagens. ![Inspecting images on a Wikipedia page](https://media.brightdata.com.br/2024/10/how-to-scrape-wikipedia-screenshot-extract-images.png)Para extrair dados de tabelas, você pode direcionar a tag `` com a classe `wikitable`. Isso permite que você reúna todas as linhas e colunas da tabela e extraia os dados necessários. ![Inspecting tables on a Wikipedia page](https://media.brightdata.com.br/2024/10/image-2-1.png)Para extrair parágrafos, basta direcionar as tags `

` que contêm o conteúdo textual principal da página. ![Inspecting paragraphs on a Wikipedia page](https://media.brightdata.com.br/2024/10/how-to-scrape-wikipedia-screenshot-extract-paragraph.png)É isso! Ao direcionar esses elementos específicos, você pode extrair os dados desejados de qualquer página da Wikipedia. ### 4. Extraindo links Os artigos da Wikipedia contêm links internos e externos que direcionam os usuários para tópicos relacionados, referências ou recursos externos. Para extrair todos os links de uma página da Wikipedia, você pode usar o seguinte código: ```none def extract_links(soup): links = [] for link in soup.find_all("a", href=True): # Encontre todas as tags âncora com o atributo href url = link["href"] if not url.startswith("http"): # Verifique se a URL é relativa url = "" + url # Converta links relativos em URLs absolutas links.append(url) return links # Retorne a lista de links extraídos ``` A função `soup.find_all('a', href=True)` recupera todas as tags `` na página que contêm um atributo `href`, o que inclui links internos e externos. O código também garante que os URLs relativos estejam formatados corretamente. O resultado pode ser semelhante a: ```none ``` ### 5. Extraindo parágrafos Para extrair conteúdo textual de um artigo da Wikipedia, você pode direcionar as tags `

`, que contêm o corpo principal do texto. Veja como extrair parágrafos usando **o BeautifulSoup**: ```none def extrair_parágrafos(soup): parágrafos = [p.get_text(strip=True) for p in soup.find_all("p")] # Extrair texto das tags de parágrafo return [p for p in parágrafos if p and len(p) > 10] # Retornar parágrafos com mais de 10 caracteres ``` Essa função captura todos os parágrafos da página, filtrando aqueles vazios ou muito curtos para evitar conteúdo irrelevante, como citações ou palavras isoladas. Um exemplo de resultado: ```none Cristiano Ronaldo dos Santos AveiroGOIHComM (pronúncia em português: [kɾiʃˈtjɐnuʁɔˈnaldu]; nascido em 5 de fevereiro de 1985) é um jogador de futebol profissional português que joga como atacante e capitão do clube Al Nassr, da Liga Profissional Saudita, e da seleção nacional de Portugal. Amplamente considerado um dos maiores jogadores de todos os tempos, Ronaldo ganhou cinco prêmios Ballon d'Or, [nota 3] um recorde de três prêmios de Jogador do Ano da UEFA e quatro Chuteiras de Ouro Europeias, o maior número para um jogador europeu. Ele ganhou 33 troféus em sua carreira, incluindo sete títulos de liga, cinco Ligas dos Campeões da UEFA, o Campeonato Europeu da UEFA e a Liga das Nações da UEFA. Ronaldo detém os recordes de maior número de partidas (183), gols (140) e assistências (42) na Liga dos Campeões, maior número de partidas (30), assistências (8), gols no Campeonato Europeu (14), gols internacionais (133) e partidas internacionais (215). Ele é um dos poucos jogadores a ter feito mais de 1.200 partidas profissionais, o maior número para um jogador de campo, e marcou mais de 900 gols oficiais na carreira profissional por clubes e pela seleção, tornando-se o maior artilheiro de todos os tempos. ``` ### 6. Extraindo tabelas A Wikipedia frequentemente inclui tabelas com dados estruturados. Para extrair essas tabelas, use este código: ```none def extrair_tabelas(soup): tabelas = [] para tabela em soup.find_all("table", {"class": "wikitable"}): # Encontre tabelas com a classe 'wikitable' tabela_html = StringIO(str(table)) # Converta o HTML da tabela em string df = pd.read_html(table_html)[0] # Ler a tabela HTML em um DataFrame tables.append(df) return tables # Retornar lista de DataFrames ``` Esta função encontra todas as tabelas com a classe `wikitable` e usa `pandas.read_html()` para convertê-las em DataFrames para manipulação posterior. Exemplo de resultado: ![Table data that was found](https://media.brightdata.com.br/2024/10/how-to-scrape-wikipedia-screenshot-table-data.png)### 7. Extraindo imagens As imagens são outro recurso valioso que você pode extrair da Wikipedia. A função a seguir captura URLs de imagens da página: ```none def extrair_imagens(soup): imagens = [] para img em soup.find_all("img", src=True): # Encontrar todas as tags de imagem com o atributo src img_url = img["src"] if not img_url.startswith("http"): # Prefixar 'https:' para URLs relativas img_url = "https:" + img_url if "static/images" not in img_url: # Excluir imagens estáticas ou não relevantes images.append(img_url) return images # Retornar a lista de URLs de imagens ``` Esta função localiza todas as imagens (tags`` ) na página, acrescenta `https:` às URLs relativas e filtra as imagens que não fazem parte do conteúdo, garantindo que apenas as imagens relevantes sejam extraídas. Exemplo de resultado: ```none ``` ### 8. Salvando os dados extraídos Depois de extrair os dados, o próximo passo é salvá-los para uso posterior. Vamos salvar os dados em arquivos separados para links, imagens, parágrafos e tabelas. ```none def store_data(links, images, tables, paragraphs): # Salvar links em um arquivo de texto with open("wikipedia_links.txt", "w", encoding="utf-8") as f: for link in links: f.write(f"{link}n") # Salvar imagens em um arquivo JSON com open("wikipedia_images.json", "w", encoding="utf-8") como f: json.dump(images, f, indent=4) # Salvar parágrafos em um arquivo de texto com open("wikipedia_paragraphs.txt", "w", encoding="utf-8") como f: para para em parágrafos: f.write(f"{para}nn") # Salvar cada tabela como um arquivo CSV separado para i, tabela em enumerate(tabelas): tabela.to_csv(f"wikipedia_table_{i+1}.csv", index=False, encoding="utf-8-sig") ``` A função `store_data` organiza os dados coletados: - Os links são salvos em um arquivo de texto. - As URLs das imagens são salvas em um arquivo JSON. - Os parágrafos são armazenados em outro arquivo de texto. - As tabelas são salvas em arquivos CSV. Essa organização facilita o acesso e o trabalho com os dados posteriormente. > Confira nosso guia para saber mais sobre [como realizar Parsing e serializar dados para JSON em Python](/blog/how-tos/parse-json-data-with-python). ## Juntando tudo Agora, vamos combinar todas as funções para criar um Scraper completo que extrai e salva dados de uma página da Wikipedia: ```none import requests from bs4 import BeautifulSoup import pandas as pd from io import StringIO import json # Extrair todos os links da página def extract_links(soup): links = [] for link in soup.find_all("a", href=True): url = link["href"] if not url.startswith("http"): url = "" + url links.append(url) return links # Extrair URLs de imagens da página def extrair_imagens(soup): imagens = [] para img em soup.find_all("img", src=True): img_url = img["src"] se img_url não começar com "http": img_url = "https:" + img_url se "static/images" não estiver em img_url: # Excluir imagens estáticas indesejadas images.append(img_url) retornar images # Extrair todas as tabelas da página def extrair_tabelas(soup): tabelas = [] para tabela em soup.find_all("table", {"class": "wikitable"}): table_html = StringIO(str(table)) df = pd.read_html(table_html)[0] # Converter tabela HTML para DataFrame tables.append(df) return tables # Extrair parágrafos da página def extrair_parágrafos(soup): parágrafos = [p.get_text(strip=True) para p em soup.find_all("p")] retornar [p para p em parágrafos se p e len(p) > 10] # Filtrar parágrafos vazios ou curtos # Armazene os dados extraídos em arquivos separados def store_data(links, images, tables, paragraphs): # Salve os links em um arquivo de texto with open("wikipedia_links.txt", "w", encoding="utf-8") as f: for link in links: f.write(f"{link}n") # Salvar imagens em um arquivo JSON com open("wikipedia_images.json", "w", encoding="utf-8") como f: json.dump(images, f, indent=4) # Salvar parágrafos em um arquivo de texto com open("wikipedia_paragraphs.txt", "w", encoding="utf-8") como f: para para em parágrafos: f.write(f"{para}nn") # Salvar cada tabela como um arquivo CSV para i, tabela em enumerate(tabelas): tabela.to_csv(f"wikipedia_table_{i+1}.csv", index=False, encoding="utf-8-sig") # Função principal para extrair uma página da Wikipedia e salvar os dados extraídos def scrape_wikipedia(url): response = requests.get(url) # Buscar o conteúdo da página soup = BeautifulSoup(response.text, "html.parser") # Analisar o conteúdo com BeautifulSoup links = extrair_links(soup) imagens = extrair_imagens(soup) tabelas = extrair_tabelas(soup) parágrafos = extrair_parágrafos(soup) # Salvar todos os dados extraídos em arquivos armazenar_dados(links, imagens, tabelas, parágrafos) # Exemplo de uso: extrair a página da Wikipedia de Cristiano Ronaldo if __name__ == "__main__": scrape_wikipedia("") ``` Ao executar o script, vários arquivos serão criados no seu diretório: - `wikipedia_images.json` contendo todas as URLs das imagens. - `wikipedia_links.txt` com todos os links da página. - `wikipedia_paragraphs.txt` contendo os parágrafos extraídos. - Arquivos CSV para cada tabela encontrada na página (por exemplo, `wikipedia_table_1.csv`, `wikipedia_table_2.csv`). O resultado pode ser semelhante a: ![Final result files](https://media.brightdata.com.br/2024/10/how-to-scrape-wikipedia-screenshot-data-stored-in-files.png)É isso! Você extraiu e armazenou com sucesso os dados da Wikipedia em arquivos separados. ## Configurando a API do Bright Data Wikipedia Scraper Configurar e usar [a API do Bright Data Wikipedia Scraper](/products/web-scraper/wikipedia) é simples e pode ser feito em apenas alguns minutos. Siga estas etapas para começar rapidamente e começar a coletar dados da Wikipedia com facilidade. ### Etapa 1: crie uma conta Bright Data Acesse o [site da Bright Data](/) e faça login na sua conta. Se você ainda não tem uma conta, crie uma — é grátis para começar. Siga estas etapas: 1. Acesse o site da Bright Data. 2. Clique em **Teste grátis** e siga as instruções para criar sua conta. 3. Quando estiver no seu painel, localize o ícone do cartão de crédito na barra lateral esquerda para acessar a página **“Faturamento** ”. 4. Adicione um método de pagamento válido para ativar sua conta. ![Setting up a Bright Data account](https://media.brightdata.com.br/2024/10/how-to-scrape-wikipedia-screenshot-setting-bright-data-account.png)Depois que sua conta for ativada com sucesso, navegue até a seção **API do Web Scraper** no painel. Aqui, você pode pesquisar qualquer API do Web Scraper que deseja usar. Para nossos propósitos, pesquise **Wikipedia**. ![The Wikipedia articles scraper API ](https://media.brightdata.com.br/2024/10/how-to-scrape-wikipedia-screenshot-glassdoor-web-scraper-api.png)Clique na opção **Artigos da Wikipedia – Coletar por URL**. Isso permitirá que você colete artigos da Wikipedia simplesmente fornecendo as URLs. ### Etapa 2: Comece a configurar uma chamada de API Depois de clicar, você será direcionado para uma página onde poderá configurar sua chamada de API. ![Setting an API call](https://media.brightdata.com.br/2024/10/how-to-scrape-wikipedia-screenshot-set-bright-data-api.png)Antes de continuar, você precisa criar um token de API para autenticar suas chamadas de API. Clique no botão **Criar token** e copie o token gerado. Mantenha esse token em segurança, pois você precisará dele mais tarde. ![Creating an API token](https://media.brightdata.com.br/2024/10/how-to-scrape-wikipedia-screenshot-create-token.png)### Etapa 3: defina os parâmetros e gere a chamada de API Agora que você tem seu token, está pronto para configurar sua chamada de API. Forneça os URLs das páginas da Wikipedia que deseja extrair e, no lado direito, um **comando cURL** será gerado com base em sua entrada. ![Trigger of the data collection API](https://media.brightdata.com.br/2024/10/how-to-scrape-wikipedia-screenshot-trigger-api.png)Copie o comando cURL, substitua `API_Token` pelo seu token real e execute-o no seu terminal. Isso irá gerar um `snapshot_id`, que você usará para recuperar os dados extraídos. ### Etapa 4: Recuperar os dados Usando o `snapshot_id` que você gerou, agora você pode recuperar os dados. Basta colar esse ID no campo **Snapshot ID**, e a API irá gerar automaticamente um novo comando cURL no lado direito. Você pode usar esse comando para extrair os dados. Além disso, você pode escolher o formato do arquivo para os dados, como JSON, CSV ou outras opções disponíveis. ![Data delivery options](https://media.brightdata.com.br/2024/10/how-to-scrape-wikipedia-screenshot-delivery-options.png)Você também tem a opção de enviar os dados para diferentes serviços de armazenamento, como **Amazon S3**, **Google Cloud Storage** ou **Microsoft Azure Storage**. ![Delivering the data to different storage services](https://media.brightdata.com.br/2024/10/how-to-scrape-wikipedia-screenshot-deliver-to-storage.png)### Etapa 5: execute o comando Para este exemplo, vamos supor que você deseja obter os dados em um arquivo JSON. Escolha **JSON** como o formato do arquivo e copie o comando cURL gerado. Se você deseja salvar os dados diretamente em um arquivo, basta adicionar `-o my_data.json` ao final do comando cURL. Se preferir armazenar esses dados em sua máquina local, adicionar `-o` armazenará automaticamente os dados no arquivo especificado. Execute-o em seu terminal e você terá todos os dados extraídos em apenas alguns segundos! ```none curl.exe -H "Authorization: Bearer 50xxx52c-xxxx-xxxx-xxxx-2748xxxxx487" "" -o my_data.json ``` Não quer lidar com o Scraping de dados da Wikipedia, mas ainda precisa dos dados? Considere comprar um **conjunto de dados da Wikipedia**. ![Wikipedia dataset search in Bright Data's control panel](https://media.brightdata.com.br/2024/10/how-to-scrape-wikipedia-screenshot-wikipedia-dataset.png)**Sim, é simples assim!** ## Conclusão Este artigo abordou tudo o que você precisa para começar a fazer scraping da Wikipedia usando Python. Extraímos com sucesso uma variedade de dados, incluindo URLs de imagens, conteúdo de texto, tabelas e links internos e externos. No entanto, para uma extração de dados mais rápida e eficiente, usar [a API Wikipedia Scraper](/products/web-scraper/wikipedia) da Bright Data é uma solução simples. Quer fazer scraping de dados em outros sites? Registre-se agora e experimente nossa [API de Scraper](/products/web-scraper). Comece seu teste grátis hoje mesmo! Contate-nosTeste grátis![google social icon](/wp-content/themes/brightdata/assets/images/ic_google.svg) Índice Dedicated Scraper APIs & No-Code Scrapers Over 1000 scrapers for all popular domains. Simplify your web scraping. [See pricing](/pricing/web-scraper "See pricing") Just want data? Skip scraping. Hundreds of ready-to-use datasets from all popular domains. [See pricing](/pricing/datasets "See pricing") [ ](https://news.ycombinator.com/submitlink?t=Como+extrair+dados+da+Wikipedia+com+Python&u=https://brightdata.com.br/blog/dados-do-site/how-to-scrape-wikipedia) [ ](https://www.linkedin.com/shareArticle?mini=true&title=Como+extrair+dados+da+Wikipedia+com+Python&url=https://brightdata.com.br/blog/dados-do-site/how-to-scrape-wikipedia) [ ](http://www.reddit.com/submit?title=Como+extrair+dados+da+Wikipedia+com+Python&url=https://brightdata.com.br/blog/dados-do-site/how-to-scrape-wikipedia) ## 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)