--- title: "Web Scraping com o Gemini em 2026: Tutorial completo" slug: web-scraping-with-gemini date: 2025-05-05T12:42:34+00:00 modified: 2025-11-04T08:53:05+00:00 permalink: https://brightdata.com.br/blog/dados-do-site/web-scraping-with-gemini 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) # Web Scraping com o Gemini em 2026: Tutorial completo Descubra como aproveitar o Gemini AI para raspagem da Web em Python, automatizar a extração de dados e superar os desafios de raspagem com este guia. 18 min de leitura [ ![Antonello Zanini](https://media.brightdata.com.br/2022/12/Antonello-Zanini-2-50x50.jpg) ](https://brightdata.com/blog/authors/antonello-zanini) [Antonello Zanini Technical Writer ](https://brightdata.com/blog/authors/antonello-zanini) ![Web Scraping with Gemini blog image](https://media.brightdata.com.br/2025/03/Web-Scraping-with-Gemini.svg) Neste guia, você aprenderá: - Por que o Gemini é uma ótima solução para a coleta de dados da Web com tecnologia de IA - Como usá-lo para extrair dados de um site em Python por meio de um tutorial guiado - A maior limitação dessa forma de raspagem da Web e como superá-la Vamos mergulhar de cabeça! ## Por que usar o Gemini para Web Scraping? [O Gemini](https://gemini.google.com/) é uma família de modelos de IA multimodal desenvolvida pelo Google que pode analisar e interpretar textos, imagens, áudio, vídeos e códigos. O uso do Gemini para raspagem da Web simplifica a extração de dados, automatizando a interpretação e a estruturação de conteúdo não estruturado. Isso elimina a necessidade de esforço manual, especialmente quando se trata de [análise de dados](/blog/dados-do-site/what-is-data-parsing). Em detalhes, esses são alguns dos casos de uso mais comuns do Gemini em raspagem da Web: - **Páginas que mudam de estrutura com frequência**: O Gemini pode lidar com páginas dinâmicas em que o layout ou os elementos de dados mudam com frequência, como em [sites de comércio eletrônico como a Amazon](/blog/procedimentos/how-to-scrape-amazon). - **Páginas com muitos dados não estruturados**: Ele se destaca na extração de informações úteis de grandes volumes de texto não organizado. - **Páginas em que é difícil escrever uma lógica de análise personalizada**: Para páginas com estruturas complexas ou imprevisíveis, o Gemini pode automatizar o processo sem exigir regras de análise complexas. Os cenários de uso comum do Gemini em raspagem da Web incluem: - **RAG (Retrieval-Augmented Generation)**: Combinação de raspagem de dados em tempo real para aprimorar os insights de IA. Para obter um exemplo completo usando uma tecnologia de IA semelhante, siga nosso tutorial sobre [como criar um chatbot RAG usando dados SERP](/blog/dados-do-site/build-a-rag-chatbot). - **Raspagem de mídia social**: Coleta de dados estruturados de plataformas com conteúdo dinâmico. - **Agregação de conteúdo**: Reunir notícias, artigos ou postagens de blog de várias fontes para criar resumos ou análises. Para obter mais informações, consulte nosso guia sobre [o uso de IA para raspagem da Web](/blog/dados-do-site/ai-web-scraping). ## Web Scraping com Gemini em Python: Guia passo a passo Como site de destino desta seção, usaremos uma página de produto específica do sandbox “[Ecommerce Test Site to Learn Web Scraping](https://www.scrapingcourse.com/ecommerce/product/adrienne-trek-jacket/)“: ![A página da Web de destino](https://media.brightdata.com/2025/03/The-target-web-page-1024x688.png)Esse é um ótimo exemplo porque a maioria das páginas de produtos de comércio eletrônico exibe diferentes tipos de dados ou tem estruturas variadas. Isso é o que torna [a raspagem da Web de comércio eletrônico](/blog/procedimentos/ecommerce-web-scraping-guide) tão desafiadora e onde a IA pode ajudar. O objetivo do nosso raspador com tecnologia Gemini é aproveitar a IA para extrair detalhes do produto da página sem escrever uma lógica de análise manual. Os dados do produto recuperados por meio de IA incluirão: - SKU - Nome - Imagens - Preço - Descrição - Tamanhos - Cores - Categoria Siga as etapas abaixo para saber como realizar a coleta de dados da Web com o Gemini! ### Etapa 1: Configuração do projeto Antes de começar, verifique se você tem o Python 3 instalado em seu computador. Caso contrário, [faça o download](https://www.python.org/downloads/) e siga o assistente de instalação. Agora, execute o seguinte comando para criar uma pasta para seu projeto de raspagem: ```none mkdir gemini-scraper ``` `gemini-scraper` representa a pasta do projeto do seu coletor de dados da Web baseado em Python Gemini. Navegue até ele no terminal e inicialize um [ambiente virtual](https://docs.python.org/3/library/venv.html) dentro dele: ```none cd gemini-scraper python -m venv venv ``` Carregue a pasta do projeto em seu IDE Python favorito. [O Visual Studio Code com a extensão Python](https://code.visualstudio.com/docs/languages/python) ou [o PyCharm Community Edition](https://www.jetbrains.com/pycharm/download/#section=windows) são duas ótimas opções. Crie um arquivo `scraper.py` na pasta do projeto, que agora deve conter essa estrutura de arquivo: ![A estrutura de arquivos do Gemini-Powered Scraper](https://media.brightdata.com/2025/03/The-file-structure-of-the-Gemini-Powered-Scraper.png)Atualmente, `o scraper.py` é um script Python em branco, mas em breve conterá a lógica de raspagem LLM desejada. No terminal do IDE, ative o ambiente virtual. No Linux ou macOS, execute este comando: ```none ./venv/bin/activate ``` De forma equivalente, no Windows, execute: ```none venv/Scripts/activate ``` Maravilhoso! Agora você tem um ambiente Python para coleta de dados da Web com o Gemini. ### Etapa 2: Configurar o Gemini O Gemini fornece uma API que você pode chamar usando qualquer cliente HTTP, inclusive `solicitações`. Ainda assim, é melhor se conectar por meio do [Google AI Python SDK](https://github.com/google-gemini/generative-ai-python) oficial [para a API do Gemini](https://github.com/google-gemini/generative-ai-python). Para instalá-lo, execute o seguinte comando no ambiente virtual ativado: ```none pip install google-generativeai ``` Em seguida, importe-o em seu arquivo `scraper.py`: ```none import google.generativeai as genai ``` Para que o SDK funcione, você precisa de uma chave de API Gemini. Se você ainda não recuperou sua chave de API [siga a documentação oficial do Google](https://ai.google.dev/gemini-api/docs/api-key). Especificamente, faça login na sua conta do Google e entre no Google AI Studio. Navegue até a página[“Get API Key](https://aistudio.google.com/app/apikey)” e você verá o seguinte modal: ![Observe o botão "Get API key" (Obter chave de API)](https://media.brightdata.com/2025/03/Note-the-Get-API-key-button-1024x614.png)Clique no botão “Get API key” (Obter chave de API), e a seção a seguir será exibida: ![Observe o botão "Create API key" (Criar chave de API)](https://media.brightdata.com/2025/03/Note-the-Create-API-key-button-1024x502.png)Agora, pressione “Create API key” (Criar chave de API) para gerar sua chave de API do Gemini: ![Sua nova chave de API Gemini](https://media.brightdata.com/2025/03/Your-new-Gemini-API-key-1024x265.png)Copie a chave e guarde-a em um local seguro. **Observação**: a camada gratuita do Gemini é suficiente para este exemplo. A camada paga só é necessária se você precisar de limites de taxa mais altos ou quiser garantir que seus avisos e respostas não sejam usados para melhorar os produtos do Google. Para obter mais detalhes, consulte a [página de faturamento do Gemini](https://ai.google.dev/gemini-api/docs/api-key). Para usar a chave da API do Gemini no Python, você pode defini-la como uma variável de ambiente: ```none export GEMINI_API_KEY= ``` Ou, como alternativa, armazene-o diretamente em seu script Python como uma constante: ```none GEMINI_API_KEY="" ``` E passe-o para o `genai` como uma configuração, da seguinte forma: ```none genai.configure(api_key=GEMINI_API_KEY) ``` Nesse caso, seguiremos a segunda abordagem. No entanto, lembre-se de que ambos os métodos funcionam, pois `o google-generativeai` tenta ler automaticamente a chave de API de `GEMINI_API_KEY` se você não a passar manualmente. Incrível! Agora você pode usar o Gemini SDK para fazer solicitações de API para o LLM em Python. ### Etapa 3: obtenha o HTML da página de destino Para conectar-se ao servidor de destino e recuperar o HTML de suas páginas da Web, usaremos o Requests, o [cliente HTTP mais popular em Python](/blog/dados-do-site/best-python-http-clients). Em um ambiente virtual ativado, instale-o com: ```none pip install requests ``` Em seguida, importe-o no `scraper.py`: ```none import requests ``` Use-o para enviar uma solicitação `GET` à página de destino e recuperar seu documento HTML: ```none url = "https://www.scrapingcourse.com/ecommerce/product/adrienne-trek-jacket/" response = requests.get(url) ``` `response.content` agora conterá o HTML bruto da página. É hora de analisá-lo e se preparar para extrair dados dele! ### Etapa 4: converter o HTML em Markdown Se você comparar outras tecnologias de raspagem de IA, como o [Crawl4AI](https://docs.crawl4ai.com/), perceberá que elas permitem que você use seletores CSS para direcionar elementos HTML. Em seguida, essas bibliotecas convertem o HTML dos elementos selecionados em texto Markdown. Por fim, elas processam esse texto com um LLM. Já se perguntou por quê? Bem, há dois motivos principais para esse comportamento: 1. Reduzir o número de tokens enviados para a IA, ajudando você a economizar dinheiro (já que nem todos os provedores de LLM são gratuitos como a Gemini). 2. Tornar o processamento de IA mais rápido, pois menos dados de entrada significam custos computacionais mais baixos e respostas mais rápidas. Para obter um passo a passo completo, consulte nosso guia sobre [raspagem da Web usando o CrawlAI e o DeepSeek](/blog/dados-do-site/crawl4ai-and-deepseek-web-scraping). Vamos tentar replicar essa lógica e ver se ela realmente faz sentido. Comece inspecionando a página de destino, abrindo-a em uma janela anônima (para abrir uma nova sessão). Em seguida, clique com o botão direito do mouse em qualquer lugar da página e selecione a opção “Inspecionar”. Examine a estrutura da página. Você verá que todos os dados relevantes estão contidos no elemento HTML identificado pelo seletor CSS `#main`: ![O elemento #main HTML contém todos os dados de interesse](https://media.brightdata.com/2025/03/The-main-HTML-element-contains-all-the-data-of-interest-1024x711.png)Você poderia enviar todo o HTML bruto para o Gemini, mas isso introduziria muitas informações desnecessárias (como cabeçalhos e rodapés). Em vez disso, ao passar apenas o conteúdo `#main`, você reduz o ruído e evita alucinações da IA. Para selecionar apenas `#main`, você precisa de uma [ferramenta de análise de HTML do Python](/blog/dados-do-site/best-python-html-parsers), como a Beautiful Soup. Portanto, instale-a com: ```none pip install beautifulsoup4 ``` Se você não estiver familiarizado com sua sintaxe, consulte nosso guia sobre [raspagem da Web da Beautiful Soup](/blog/procedimentos/beautiful-soup-web-scraping). Agora, importe-o no `scraper.py`: ```none from bs4 import BeautifulSoup ``` Use o Beautiful Soup para analisar o HTML bruto recuperado via Requests, selecionar o elemento `#main` e extrair seu HTML: ```none # Parse the HTML with BeautifulSoup soup = BeautifulSoup(response.content, "html.parser") # Extract the #main element main_element = soup.select_one("#main") # Get its outer HTML main_html = str(main_element) ``` Se você imprimir `main_html`, verá algo parecido com isto: ```none
``` Agora, verifique quantos tokens esse HTML geraria e estime o custo se você estivesse usando a camada paga da Gemini. Para fazer isso, use uma ferramenta como a [Token Calculator](https://token-calculator.net/): ![O uso de tokens e a previsão de preços a partir do uso do HTML #main bruto](https://media.brightdata.com/2025/03/The-token-usage-and-price-prediction-from-using-the-raw-main-HTML-1024x510.png)Como você pode ver, essa abordagem equivale a quase 20.000 tokens, custando cerca de US$ 0,25 por solicitação para o Gemini 1.5 Pro. Em um projeto de raspagem em grande escala, isso pode facilmente se tornar um problema! Tente converter o HTML extraído em Markdown – semelhante ao que o Crawl4AI faz. Primeiro, instale uma biblioteca HTML para Markdown, como a [`markdownify`](https://github.com/matthewwithanm/python-markdownify): ```none pip install markdownify ``` Importar `markdownify` em `scraper.py`: ```none from markdownify import markdownify ``` Em seguida, use `o markdownify` para converter o HTML extraído em Markdown: ```none main_markdown = markdownify(main_html) ``` A string `main_markdown` resultante contém algo parecido com isto: ```none [![](https://www.scrapingcourse.com/ecommerce/wp-content/uploads/2024/03/wj08-gray_main-416x516.jpg "wj08-gray_main.jpg")](https://www.scrapingcourse.com/ecommerce/wp-content/uploads/2024/03/wj08-gray_main.jpg) [![](https://www.scrapingcourse.com/ecommerce/wp-content/uploads/2024/03/wj08-gray_alt1-416x516.jpg "wj08-gray_alt1.jpg")](https://www.scrapingcourse.com/ecommerce/wp-content/uploads/2024/03/wj08-gray_alt1.jpg) [![](https://www.scrapingcourse.com/ecommerce/wp-content/uploads/2024/03/wj08-gray_alternate-416x516.jpg "wj08-gray_alternate.jpg")](https://www.scrapingcourse.com/ecommerce/wp-content/uploads/2024/03/wj08-gray_alternate.jpg) [![](https://www.scrapingcourse.com/ecommerce/wp-content/uploads/2024/03/wj08-gray_back-416x516.jpg "wj08-gray_back.jpg")](https://www.scrapingcourse.com/ecommerce/wp-content/uploads/2024/03/wj08-gray_back.jpg) Adrienne Trek Jacket ==================== $57.00 This is a variable product called a Adrienne Trek Jacket | | | | --- | --- | | Size | Choose an optionXSSMLXL | | Color | Choose an optionGrayOrangePurple[Clear](#) | Adrienne Trek Jacket quantity Add to cart SKU: WJ08 Category: [Erin Recommends|Clothing](https://www.scrapingcourse.com/ecommerce/product-category/clothing/women/tops-women/jacketsclothing-tops-women/promotions-jacketsclothing-tops-women/women-saleclothing-promotions-jacketsclothing-tops-women/collections-women-saleclothing-promotions-jacketsclothing-tops-women/erin-recommendsclothing-collections-women-saleclothing-promotions-jacketsclothing-tops-women/) * [Description](#tab-description) * [Additional information](#tab-additional_information) Description ----------- You’re ready for a cross-country jog or a coffee on the patio in the Adrienne Trek Jacket. Its style is unique with stand collar and drawstrings, and it fits like a jacket should. * gray 1/4 zip pullover. * Comfortable, relaxed fit. * Front zip for venting. * Spacious, kangaroo pockets. * 27″ body length. * 95% Organic Cotton / 5% Spandex. Additional information ---------------------- | | | | --- | --- | | Size | XS, S, M, L, XL | | Color | Gray, Orange, Purple | ``` Essa versão Markdown dos dados de entrada é muito menor do que o HTML `#principal` original e, ao mesmo tempo, contém todos os principais dados necessários para a raspagem. Use a Token Calculator novamente para verificar quantos tokens a nova entrada consumiria: ![](https://paper-attachments.dropboxusercontent.com/s_A524C2D11FF2386556393C858EA6E65DFD7FBA45AC5120E9D9A9E966DD6EF363_1742286407912_image.png) Uau, reduzimos 19.858 tokens para 765 tokens – uma redução de 95%! ### Etapa 5: usar o LLM para extrair dados Para realizar a coleta de dados da Web com o Gemini, siga estas etapas: 1. Escreva um prompt bem estruturado para extrair os dados desejados da entrada Markdown. Certifique-se de definir os atributos que você deseja que o resultado tenha. 2. Envie uma solicitação a um modelo Gemini LLM usando `o genai`, configurando-o para que a solicitação retorne dados formatados em JSON. 3. Analisar o JSON retornado. Implemente a lógica acima com estas linhas de código: ```none # Extract structured data using Gemini prompt = f"""Extract data from the content below. Respond with a raw string in JSON format containing the scraped data in the specified attributes:nn JSON ATTRIBUTES: n sku, name, images, price, description, sizes, colors, category CONTENT:n {main_markdown} """ model = genai.GenerativeModel("gemini-2.0-flash-lite", generation_config={"response_mime_type": "application/json"}) response = model.generate_content(prompt) # Get the response and parse it from JSON product_raw_string = response.text product_data = json.loads(product_raw_string) ``` A variável `prompt` instrui o Gemini a extrair dados estruturados do conteúdo `main_markdown`. Em seguida, `genai.GenerativeModel()` define o modelo `"gemini-2.0-flash-lite"` para executar a solicitação LLM. Por fim, a string de resposta bruta no formato JSON é convertida em um dicionário Python utilizável com [`json.loads()`](https://docs.python.org/3/library/json.html#json.loads). Observe a configuração `"application/json"` para dizer ao Gemini para retornar dados JSON. Não se esqueça de importar `json` da biblioteca padrão do Python: ```none import json ``` Agora que você tem os dados extraídos em um dicionário `product_data`, pode acessar seus campos para processamento adicional de dados, como no exemplo abaixo: ```none price = product_data["price"] price_eur = price * USD_EUR # ... ``` Fantástico! Você acabou de utilizar o Gemini para coleta de dados da Web. Só falta exportar os dados extraídos. ### Etapa nº 6: Exportar os dados extraídos Atualmente, você tem os dados extraídos armazenados em um dicionário Python. Para exportá-los para um arquivo JSON, use o seguinte código: ```none with open("product.json", "w", encoding="utf-8") as json_file: json.dump(product_data, json_file, indent=4) ``` Isso criará um arquivo `product.json` contendo os dados extraídos no formato JSON. Parabéns! O coletor de dados da Web com tecnologia Gemini está concluído. ### Etapa nº 7: Juntar tudo Abaixo está o código completo de seu script de raspagem Gemini: ```none import google.generativeai as genai import requests from bs4 import BeautifulSoup from markdownify import markdownify import json # Your Gemini API key GEMINI_API_KEY = "" # Set up the Google Gemini API genai.configure(api_key=GEMINI_API_KEY) # Fetch the HTML content of the target page url = "https://www.scrapingcourse.com/ecommerce/product/adrienne-trek-jacket/" response = requests.get(url) # Parse the HTML of the target page with BeautifulSoup soup = BeautifulSoup(response.content, "html.parser") # Select the #main element main_element = soup.select_one("#main") # Get its outer HTML and convert it to Markdown main_html = str(main_element) main_markdown = markdownify(main_html) # Extract structured data using Gemini prompt = f"""Extract data from the content below. Respond with a raw string in JSON format containing the scraped data in the specified attributes:nn JSON ATTRIBUTES: n sku, name, images, price, description, sizes, colors, category CONTENT:n {main_markdown} """ model = genai.GenerativeModel("gemini-2.0-flash-lite", generation_config={"response_mime_type": "application/json"}) response = model.generate_content(prompt) # Get the response and parse it from JSON product_raw_string = response.text product_data = json.loads(product_raw_string) # Futher data processing... (optional) # Export the scraped data to JSON with open("product.json", "w", encoding="utf-8") as json_file: json.dump(product_data, json_file, indent=4) ``` Inicie o script com: ```none python scraper.py ``` Uma vez executado, um arquivo `product.json` aparecerá na pasta do projeto. Abra-o e você verá dados estruturados como estes: ```none { "sku": "WJ08", "name": "Adrienne Trek Jacket", "images": [ "https://www.scrapingcourse.com/ecommerce/wp-content/uploads/2024/03/wj08-gray_main-416x516.jpg", "https://www.scrapingcourse.com/ecommerce/wp-content/uploads/2024/03/wj08-gray_alt1-416x516.jpg", "https://www.scrapingcourse.com/ecommerce/wp-content/uploads/2024/03/wj08-gray_alternate-416x516.jpg", "https://www.scrapingcourse.com/ecommerce/wp-content/uploads/2024/03/wj08-gray_back-416x516.jpg" ], "price": "$57.00", "description": "Youu2019re ready for a cross-country jog or a coffee on the patio in the Adrienne Trek Jacket. Its style is unique with stand collar and drawstrings, and it fits like a jacket should.nnu2022 gray 1/4 zip pullover. nu2022 Comfortable, relaxed fit. nu2022 Front zip for venting. nu2022 Spacious, kangaroo pockets. nu2022 27u2033 body length. nu2022 95% Organic Cotton / 5% Spandex.", "sizes": [ "XS", "S", "M", "L", "XL" ], "colors": [ "Gray", "Orange", "Purple" ], "category": "Erin Recommends|Clothing" } ``` E pronto! Você começou com dados não estruturados em uma página HTML e agora os tem em um arquivo JSON estruturado, graças à coleta de dados da Web com tecnologia Gemini. ### Próximas etapas Para levar seu raspador com motor Gemini para o próximo nível, considere estas melhorias: - **Torne-o reutilizável**: Modifique o script para aceitar o prompt e o URL de destino como argumentos de linha de comando. Isso o tornará de uso geral e adaptável a diferentes cenários de uso. - **Implementar o rastreamento da Web**: Amplie o coletor de dados para lidar com sites de várias páginas, [adicionando lógica para rastreamento e paginação](/blog/dados-do-site/pagination-web-scraping). - **Proteja as credenciais da API**: Armazene sua chave de API Gemini em um arquivo `.env` e use [`python-dotenv`](https://pypi.org/project/python-dotenv/) para carregá-la. Isso evita a exposição de sua chave de API no código. ## Superando a principal limitação dessa abordagem de raspagem da Web Qual é a maior limitação dessa abordagem de raspagem da Web? A solicitação HTTP feita pelas solicitações! Claro, no exemplo acima, funcionou perfeitamente, mas isso se deve ao fato de o site alvo ser apenas um playground de raspagem da Web. Na realidade, as empresas e os proprietários de sites sabem o quanto seus dados são valiosos, mesmo quando estão acessíveis ao público. Para protegê-los, eles implementam [medidas antirraspagem](/blog/dados-do-site/anti-scraping-techniques) que podem bloquear facilmente suas solicitações HTTP automatizadas. Além disso, a abordagem acima [não funcionará em sites dinâmicos](/blog/procedimentos/scrape-dynamic-websites-python) que dependem do JavaScript para renderização ou obtenção de dados de forma assíncrona. Portanto, os sites não precisam nem mesmo de estruturas antirrastreamento avançadas para impedir seu raspador. O uso de carregamento de conteúdo baseado em JavaScript é suficiente. A solução para todos esses problemas? [Uma API de desbloqueio da Web!](/products/web-unlocker) Uma API do Web Unlocker é um ponto de extremidade HTTP que você pode chamar de qualquer cliente HTTP. A principal diferença? Ela retorna o HTML totalmente desbloqueado de qualquer URL que você passar para ela, contornando qualquer bloqueio anti-scraping. Não importa quantas proteções um site-alvo tenha, uma simples solicitação ao Web Unlocker buscará o HTML da página para você. Para começar a usar essa ferramenta e recuperar sua chave de API, [siga a documentação oficial do Web Unlocker](https://docs.brightdata.com/scraping-automation/web-unlocker/quickstart). Em seguida, substitua seu código de solicitação existente da “Etapa 3” por estas linhas: ```none WEB_UNLOCKER_API_KEY = "" # Set up authentication headers for Web Unlocker headers = { "Content-Type": "application/json", "Authorization": f"Bearer {WEB_UNLOCKER_API_KEY}" } # Define the request payload payload = { "zone": "unblocker", "url": "https://www.scrapingcourse.com/ecommerce/product/adrienne-trek-jacket/", # Replace with your target URL "format": "raw" } # Fetch the unlocked HTML of the target page response = requests.post("https://api.brightdata.com/request", json=payload, headers=headers) ``` E assim, sem mais bloqueios, sem mais limitações! Agora você pode fazer scraping da Web usando o Gemini sem se preocupar em ser interrompido. ## Conclusão Nesta postagem do blog, você aprendeu a usar o Gemini em combinação com o Requests e outras ferramentas para criar um raspador alimentado por IA. Um dos principais desafios da raspagem da Web é o risco de ser bloqueado, mas isso foi resolvido usando a [API Web Unlocker](/products/web-unlocker) da Bright Data. Conforme explicado aqui, ao combinar o Gemini e a API do Web Unlocker, você pode extrair dados de qualquer site sem precisar de lógica de análise personalizada. Esse é apenas um dos muitos cenários que os produtos e serviços da Bright Data suportam, ajudando você a implementar a raspagem da Web eficaz orientada por IA. Explore nossas outras ferramentas de raspagem da Web: - [**Serviços de proxy**](/proxy-types): Quatro tipos diferentes de proxies para contornar restrições de localização, incluindo mais de 150 milhões de IPs residenciais - [**APIs do Web Scraper**](/products/web-scraper): Pontos de extremidade dedicados para extrair dados da Web novos e estruturados de mais de 100 domínios populares. - [**API SERP**](/products/serp-api): API para lidar com todo o gerenciamento de desbloqueio contínuo para SERP e extrair uma página - [**Navegador de raspagem**](/products/scraping-browser): Navegador compatível com Puppeteer, Selenium e Playwright com atividades de desbloqueio integradas Inscreva-se agora na Bright Data e teste nossos serviços de proxy e produtos de raspagem gratuitamente! 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=Web+Scraping+com+o+Gemini+em+2026%3A+Tutorial+completo&u=https://brightdata.com.br/blog/dados-do-site/web-scraping-with-gemini) [ ](https://www.linkedin.com/shareArticle?mini=true&title=Web+Scraping+com+o+Gemini+em+2026%3A+Tutorial+completo&url=https://brightdata.com.br/blog/dados-do-site/web-scraping-with-gemini) [ ](http://www.reddit.com/submit?title=Web+Scraping+com+o+Gemini+em+2026%3A+Tutorial+completo&url=https://brightdata.com.br/blog/dados-do-site/web-scraping-with-gemini) ## 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)