--- title: "Um guia prático para web scraping em R" slug: web-scraping-with-r date: 2023-01-09T09:13:43+00:00 modified: 2025-09-16T16:43:32+00:00 permalink: https://brightdata.com.br/blog/procedimentos/web-scraping-with-r type: blog --- [ Blog ](https://brightdata.com.br/blog "Blog") / [procedimentos](https://brightdata.com.br/blog/procedimentos) [procedimentos](https://brightdata.com.br/blog/procedimentos) # Um guia prático para web scraping em R Neste tutorial, passaremos por todas as etapas envolvidas no web scraping em R com o rvest, com o objetivo de extrair avaliações de produtos a partir de um URL do site da Amazon acessível ao público. 8 min de leitura [ ![Man with beard smiling, wearing black shirt.](https://media.brightdata.com.br/2021/07/avivb-50x50.png) ](https://brightdata.com/blog/authors/aviv-besinsky) [Aviv Besinsky ](https://brightdata.com/blog/authors/aviv-besinsky) ![People coding at computers with data and media icons.](https://media.brightdata.com.br/2023/01/Web-scraping-with-R.png) Neste guia, abordaremos: - Começando com o web scraping em R - Entendendo as ferramentas - Configurando o ambiente de desenvolvimento - Entendendo a página web - Entendendo o DevTools - Visão aprofundada do web scraping em R: tutorial - Pré-requisitos - Explorando interativamente a página web - Seletor CSS vs. XPath para web scraping - Extraindo informações programaticamente da página web - Escalando para múltiplos URLs - Próxima etapa: pré-construído vs. construção própria? ## Começando com o web scraping em R O primeiro passo seria entender quais ferramentas vamos usar neste tutorial de R. ### Entendendo as ferramentas: R e rvest [R](https://www.r-project.org/about.html#:~:text=R%20is%20a%20language%20and,a%20different%20implementation%20of%20S.) é uma biblioteca rica e fácil de usar para análise estatística e visualização de dados, que fornece ferramentas úteis para organização de dados e digitação dinâmica. [rvest](https://rvest.tidyverse.org/) — de “harvest” — é um dos pacotes em R mais populares (senão o mais popular) com funcionalidades de web scraping, também graças à sua interface extremamente fácil de usar. O Vanilla rvest permite extrair dados de apenas uma página web, o que é perfeito para uma exploração inicial. Você pode estendê-la posteriormente com a biblioteca [polite](https://dmi3kno.github.io/polite/) para extrair dados de várias páginas. #### Configurando o ambiente de desenvolvimento Se você ainda não estiver usando R no RStudio, siga as instruções [apresentadas aqui para instalação](https://rstudio-education.github.io/hopr/starting.html). Depois de terminar, abra o console e instale o rvest: ```none install.packages("rvest") ``` Como parte da coleção [tidyverse](https://www.tidyverse.org/) , é oficialmente recomendado estender ainda mais as funcionalidades integradas do rvest com outros pacotes na coleção, como [magrittr](https://github.com/tidyverse/magrittr), para facilitar a leitura do código, ou [xml2](https://xml2.r-lib.org/), para trabalhar com HTML e XML. Você pode fazer isso instalando o tidyverse diretamente: ```none install.packages("tidyverse") ``` ### Entendendo a página web O web scraping é uma técnica para recuperar dados de sites dentro de processos automatizados compatíveis. Três considerações importantes vêm dessa definição: - Os dados vêm em vários formatos. - Os sites exibem informações de maneiras muito diferentes. - Os dados coletados precisam ser acessíveis de forma legal. Para entender como extrair dados de um URL, primeiro você precisa entender como o conteúdo da página web é exibido por meio da linguagem de marcação HTML e da linguagem de folhas de estilo CSS. O HTML fornece o conteúdo e a estrutura da página web, carregada no navegador para criar um Document Object Model (DOM) semelhante a uma árvore, organizando o conteúdo com “[tags](https://www.w3schools.com/TAGS/default.asp)”. As tags têm uma estrutura hierárquica, com cada tag tendo uma funcionalidade específica aplicada a todo o conteúdo contido em suas declarações de abertura () e fechamento (): ```none ▶.. ▶.. ``` A tag `` é o componente mínimo de qualquer página web, com as tags `` e `` aninhadas dentro dela. As tags `` e <body> são elas próprias “pais” de outras tags dentro delas, com `
` (para seção de documento) e `

` (para parágrafo) sendo alguns de seus “filhos” mais comuns. No trecho acima, você pode ver os “attributes” (atributos) associados a cada “element” (elemento) HTML: `lang`, `class`e `style` são pré-construídos; os atributos que começam com `data-` são personalizados para a Amazon. `class` é de particular interesse para web scraping, junto com o atributo `id`, pois eles nos permitem segmentar um grupo de elementos e um elemento específico, respectivamente. Originalmente, isso se destinava à estilização em CSS. O CSS fornece o estilo da página web. Da coloração ao posicionamento e dimensionamento, você pode selecionar qualquer elemento HTML e atribuir novos valores às suas propriedades de estilo. Você também pode aplicar o estilo CSS embutido no elemento HTML com o atributo `style` , como você viu no trecho acima: ```none ``` Em CSS puro, isso seria escrito como: ```none body {padding-bottom: 0px;} ``` Aqui, body é o “seletor”, `padding-bottom` é a “propriedade” e `0px` é o “valor”. Qualquer tag ``, `class`ou `id` pode ser usada como seletor de CSS. Os usuários podem interagir dinamicamente com o conteúdo exibido na página web por meio de funcionalidades fornecidas pela linguagem de programação [JavaScript](https://www.w3schools.com/html/html_scripts.asp) por meio da tag `script` . Após a interação do usuário, o conteúdo exibido pode mudar, e um novo conteúdo pode aparecer; os web scrapers avançados podem imitar as interações do usuário, como discutiremos mais adiante. ### Entendendo o DevTools Os principais navegadores web fornecem ferramentas de desenvolvedor integradas, que permitem a coleta e a atualização em tempo real de informações técnicas em uma página web para registro, depuração, teste e análise de desempenho. Neste tutorial, usaremos o [DevTools do Chrome](https://developer.chrome.com/docs/devtools/). As ferramentas do desenvolvedor podem ser acessadas no canto superior direito do navegador, em Mais ferramentas: ![Processo de abertura das ferramentas do desenvolvedor no Chrome](https://media.brightdata.com/2023/01/Process-of-opening-Developer-Tools-in-Chrome-1024x926.png)Processo de abertura das ferramentas do desenvolvedor no ChromeNo DevTools, você pode percorrer o HTML bruto na guia Elements. Ao percorrer qualquer uma das linhas HTML, você verá o elemento correspondente renderizado na página web destacado em azul: ![Processo de acessar elementos renderizados na página web a partir das ferramentas do desenvolvedor no Chrome](https://media.brightdata.com/2023/01/Process-of-accessing-rendered-elements-in-the-web-page-from-Developer-Tools-in-Chrome-1024x652.png)Processo de acessar elementos renderizados na página web a partir das ferramentas do desenvolvedor no ChromePor outro lado, você pode clicar no ícone ![](https://lh6.googleusercontent.com/mf3bMSclhnzYYIi67WzhUY0IHVOVs91uCsFoqKz6OoAbIoNq8TQ1HwEhU4CaDrBzqDXyNtiY25J8GwrGiA9hgc-C-nrNc-SFf0p_ArxxI6vzq_iEPApvrR7i-yCJLnqRkzVLjOZPs2aSKPTpV007ip8aV-3toZbjw853--vFa6_iri329HQ9Un2_0ZZY1w) no canto superior esquerdo e selecionar qualquer elemento renderizado da página web para ser redirecionado para sua contraparte HTML bruta, novamente destacada em azul. Esses dois processos são tudo o que você precisa para extrair os descritores CSS para nosso tutorial prático. ## Visão aprofundada do web scraping em R: tutorial Nesta seção, exploraremos como extrair da web o [URL da Amazon](https://www.amazon.co.uk/Xbox-Elite-Wireless-Controller-2/dp/B07SR4R8K1/) para [extrair avaliações de produtos](https://brightdata.com.br/products/web-scraper/amazon/reviews). ### Pré-requisitos Certifique-se de ter o seguinte instalado em seu ambiente Rstudio: - R = 4.2.2 - rvest= 1.0.3 - tidyverse = 1.3.2 ### Explorando interativamente a página web Você pode usar o DevTools do Chrome para explorar o HTML do seu URL e criar uma lista de todas as classes e IDs dos elementos HTML que contêm as informações que estamos interessados em coletar, ou seja, as avaliações dos produtos: ![Avaliação do cliente na página de produtos da Amazon selecionada com DevTools no Chrome](https://media.brightdata.com/2023/01/Customer-review-from-the-Amazon-product-page-selected-with-DevTools-in-Chrome-1024x440.png)Avaliação do cliente na página de produtos da Amazon selecionada com DevTools no ChromeCada avaliação de cliente pertence a um `div` com um `id` no formato: ```none customer_review_$INTERNAL_ID. ``` O conteúdo HTML do div correspondente à avaliação do cliente na captura de tela acima é o seguinte: ```none

..
4.0 out of 5 stars Very good controller if a little overpriced
..
..
…
… …
…
``` Cada conteúdo em que você estiver interessado em razão das avaliações dos clientes tem sua classe exclusiva: `review-title-content` para o título, `review-text-content` para o corpo e `review-rating` para a avaliação. Você pode verificar se a classe é exclusiva no documento e usar diretamente o “seletor simples”. Em vez disso, uma abordagem mais garantida é usar o descritor CSS, que permanecerá exclusivo mesmo se a classe for atribuída a novos elementos no futuro. Basta recuperar o descritor CSS clicando com o botão direito do mouse no elemento no DevTools e selecionando Copy Selector: ![Processo de cópia do seletor CSS para um elemento das ferramentas do desenvolvedor no Chrome](https://media.brightdata.com/2023/01/Process-of-copying-the-CSS-selector-for-an-element-from-Developer-Tools-in-Chrome-1024x210.png)Processo de cópia do seletor CSS para um elemento das ferramentas do desenvolvedor no ChromeVocê pode definir seus três seletores como: - `customer_review-R2U9LWUSIPY0GS > div:nth-child(2) > a.a-size-base.a-link-normal.review-title.a-color-base.review-title-content.a-text-bold > span` para o título - `customer_review-R2U9LWUSIPY0GS > div.a-row.a-spacing-small.review-data > span > div > div.a-expander-content.reviewText.review-text-content.a-expander-partial-collapse-content > span` para o corpo - `customer_review-R2U9LWUSIPY0GS > div:nth-child(2) > a:nth-child(1) > i.review-rating > span` para a avaliação \*`.review-rating` foi adicionado manualmente para melhorar a consistência. #### Seletor CSS vs. XPath para web scraping Para este tutorial, decidimos usar um seletor CSS para identificar elementos para web scraping. A outra abordagem comum é usar o XPath, ou seja, o caminho XML, que identifica um elemento por meio de seu caminho completo no DOM. Você pode extrair o XPath completo seguindo o mesmo procedimento do seletor CSS. Por exemplo, o título da avaliação é: ```none /html/body/div[2]/div[3]/div[6]/div[32]/div/div/div[2]/div/div[2]/span[2]/div/div/div[3]/div[3]/div/div[1]/div/div/div[2]/a[2]/span ``` Um seletor CSS é um pouco mais rápido, enquanto o XPath tem uma compatibilidade um pouco melhor com versões anteriores. Fora essas pequenas diferenças, selecionar uma em vez da outra depende mais das preferências pessoais do que das implicações técnicas. ### Extraindo informações programaticamente da página web Embora pudéssemos usar o console diretamente para começar a explorar como extrair dados do URL, criaremos um script para rastreabilidade e reprodutibilidade e o executaremos por meio do console usando o comando `source()` . Depois de criar o script, a primeira etapa é carregar as bibliotecas instaladas: ```none library(”rvest”) library(”tidyverse”) ``` Em seguida, você pode extrair programaticamente o conteúdo de seu interesse da seguinte maneira. Primeiro, crie uma variável na qual você armazenará o URL para pesquisar: ```none HtmlLink <- "https://www.amazon.co.uk/Xbox-Elite-Wireless-Controller-2/dp/B07SR4R8K1/ref=sr_1_1_sspa?crid=3F4M36E0LDQF3" ``` Em seguida, extraia o Número de Identificação Padrão da Amazon (ASIN) do URL para usá-lo como um ID exclusivo do produto: ```none ASIN <- str_match(HtmlLink, "/dp/([A-Za-z0-9]+)/")[,2] ``` É comum e recomendado usar [RegEx](https://cran.r-project.org/web/packages/stringr/vignettes/regular-expressions.html) para limpar o texto extraído por meio de web scraping, a fim de garantir a qualidade dos dados. Agora, baixe o conteúdo HTML da página web: ```none HTMLContent <- read_html(HtmlLink) ``` A função read\_html() faz parte do pacote xml2. Se você fizer o `print()` do conteúdo, veremos que ele corresponde à estrutura HTML bruta analisada anteriormente: ```none {html_document} [1] n`” da string; você também pode aproveitar as funcionalidades html\_nodes() e html\_text() do rvest para salvar o conteúdo HTML em objetos separados. Os comandos a seguir extrairão os títulos das avaliações: ```none review_title <- HTMLContent %>% html_nodes("div:nth-child(2) a.a-size-base.a-link-normal.review-title.a-color-base.review-title-content.a-text-bold span") %>% html_text() ``` Um exemplo de entrada em `review_title` é “Very good controller if a little overpriced” (controlador muito bom, mas um pouco caro). O código abaixo extrairá o corpo da avaliação: ```none review_body <- HTMLContent %>% html_nodes("div.a-row.a-spacing-small.review-data span div div.a-expander-content.reviewText.review-text-content.a-expander-partial-collapse-content span") %>% html_text() ``` Um exemplo de entrada em `review_body` começa com “In all honesty, I’m not sure why the price…” (com toda a sinceridade, não sei por que o preço…). E você pode usar os seguintes comandos para extrair a classificação da avaliação: ```none review_rating <- HTMLContent %>% html_nodes("div:nth-child(2) a:nth-child(1) i.review-rating span") %>% html_text() ``` Um exemplo de entrada em `review_rating` é “4,0 de 5 estrelas”. Para melhorar a qualidade dessa variável, extraia somente a classificação “4,0” e converta-a em int: ```none review_rating <- substr(review_rating, 1, 3) %>% as.integer() ``` A funcionalidade de pipe %>% é fornecida pelo kit de ferramentas magrittr. Agora é hora de exportar o conteúdo copiado dentro de um tibble para análise de dados. [tibble](https://tibble.tidyverse.org/) é um pacote R que também pertence à coleção tidyverse e é usado para manipular e imprimir dataframes (estruturas de dados). ```none df <- tibble(review_title, review_body, review_rating) ``` O dataframe de saída é o seguinte: ![Os dados extraídos conforme gerados pelo tibble](https://media.brightdata.com/2023/01/The-scraped-data-as-outputted-by-tibble-1024x263.png)Os dados extraídos conforme gerados pelo tibbleFinalmente, é uma boa ideia refatorar o código na função `scrape_amazon` <- `function(HtmlLink)` para cumprir as melhores práticas e preparar melhor o código para escalar para múltiplos URLs. ## Escalando para múltiplos URLs Depois que o modelo de web scraping for criado, você poderá criar uma lista de URLs de todos produtos dos principais concorrentes na Amazon por meio de [web crawling e scraping](https://brightdata.com.br/blog/lideranca/rastejamento-vs-raspagem-da-web). Ao escalar para múltiplos URLs para produzir a solução, você precisa descrever os requisitos técnicos do aplicativo. Ter requisitos técnicos bem definidos garantirá que você atenda corretamente aos requisitos de negócios e se integre perfeitamente aos seus sistemas existentes. Dependendo dos requisitos técnicos específicos, a função de scraping precisa ser atualizada para suportar uma combinação do seguinte: - Processo em tempo real ou em lote - Formato(s) de saída, como JSON, NDJSON, CSV ou XLSX - Alvo(s) de saída, como e-mail, API, webhook ou armazenamento em nuvem Já mencionamos que você pode estender o rvest com [polite](https://dmi3kno.github.io/polite/) para extrair dados de múltiplas páginas web. O polite cria e gerencia uma sessão de coleta na web por meio do uso de três funcionalidades principais, em total conformidade com o arquivo robots.txt do host e com limitação de taxa e cache de resposta integrados: - `bow()` cria a sessão de scraping para um URL específico, ou seja, ele apresenta você ao host da web e pede permissão para fazer o scraping. - `scrape()` acessa o HTML da URL; você pode fazer o pipe da função para `html_nodes()` e `html_text()` do rvest para recuperar conteúdo específico. - `nod()` atualiza o URL da sessão para a próxima página, sem a necessidade de recriar uma sessão. Citando diretamente do site deles: “os três pilares de uma sessão polite são **buscar permissão, ir devagar e nunca perguntar duas vezes.**” ## Próxima etapa: pré-construído vs. construção própria? Para desenvolver um web scraper de última geração que possa extrair bons dados para uma empresa, alguns recursos precisam estar disponíveis: - Uma equipe de especialistas em dados com experiência em extração de dados na web - Uma equipe de engenheiros de DevOps com experiência em gerenciamento de proxy e contorno antibot para permitir resolver CAPTCHAs e desbloquear sites menos acessíveis ao público - Uma equipe de engenheiros de dados com experiência na criação de infraestrutura para extração de dados em lote e em tempo real - Uma equipe de especialistas jurídicos para entender os requisitos legais de proteção de dados quanto à privacidade (como GDPR e CCPA) O conteúdo da web vem em formatos variados, e é difícil encontrar dois sites com exatamente a mesma estrutura. Quanto mais complexo for um site e quanto mais recursos e dados houver para extrair, mais avançado será o conhecimento de programação necessário, sem falar no tempo e nos recursos adicionais necessários para a solução. Normalmente, você gostaria de implementar pelo menos as seguintes funcionalidades avançadas: 1. **Minimize as chances de detecção de CAPTCHAs e bots:** uma abordagem simples aqui é adicionar um sleep() aleatório para evitar a sobrecarga dos servidores web e padrões de solicitação regulares. Uma abordagem mais eficaz é usar um user\_agent ou servidor proxy para distribuir solicitações entre diferentes IPs. 2. **Scraping de sites com JavaScript:** em nosso exemplo da Amazon, o URL não muda ao selecionar uma variante de produto específica. Isso é aceitável para coletar avaliações, pois elas são compartilhadas, mas não para coletar especificações de produtos. Para imitar as interações do usuário em páginas web dinâmicas, você pode usar uma ferramenta como [RSelenium](https://cran.r-project.org/web/packages/RSelenium/index.html) para automatizar a navegação do navegador web. Quando quiser obter acesso a dados da web com recursos limitados, garantir a qualidade dos dados ou desbloquear casos de uso mais avançados, um web scraper pré-construído pode ser a escolha certa. [O Web Scraper da Bright Data](https://brightdata.com.br/products/web-scraper) fornece modelos para muitos sites com funcionalidades de última geração, incluindo uma implementação muito mais avançada do demonstrado [Amazon Scraper](/products/web-scraper/amazon)! Não quer lidar com a coleta de dados? Confira [nossos datasets](https://brightdata.com.br/products/datasets); amostras gratuitas disponíveis. 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=Um+guia+pr%C3%A1tico+para+web+scraping+em+R&u=https://brightdata.com.br/blog/procedimentos/web-scraping-with-r) [ ](https://www.linkedin.com/shareArticle?mini=true&title=Um+guia+pr%C3%A1tico+para+web+scraping+em+R&url=https://brightdata.com.br/blog/procedimentos/web-scraping-with-r) [ ](http://www.reddit.com/submit?title=Um+guia+pr%C3%A1tico+para+web+scraping+em+R&url=https://brightdata.com.br/blog/procedimentos/web-scraping-with-r) ## 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)