Extrair Dados de Páginas Web
Nesta página
Lição atualizada em 3 de novembro de 2026 com base no guia Computer Use da OpenAI: uma tarefa termina quando a resposta não contém nenhum
computer_call, e não com base nostop_reasonda API da Anthropic usado na versão anterior. O script de extração do DOM tinha seletores sem aspas, causando um erro de JavaScript; isto foi corrigido. Os valores sem fonte (tokens por captura de ecrã, duração por página) foram substituídos por fatores de custo documentados pela OpenAI. Fontes: Computer Use · Image Cost Calculator.
Raspagem Baseada em Visão
Um extrator clássico lê HTML: percorre o DOM, segue uma hierarquia de tags e falha no dia em que o site muda para renderização do lado do cliente ou renomeia as suas classes. O Computer Use funciona de forma diferente: o agente lê o ecrã tal como um humano faria e devolve o que compreendeu no formato que solicitou. O impacto prático é significativo: sites anteriormente inacessíveis aos raspadores tornam-se disponíveis, pois o que o agente vê é exatamente o que o utilizador vê.
Ler e Reportar
O caso mais simples envolve pedir uma leitura do conteúdo visível e um retorno estruturado. O ponto crítico é impor o formato de saída no prompt: sem instruções, o modelo responde em prosa, obrigando-o a analisar texto livre, o que arruína todo o benefício da operação.
task = """
Go to https://news.example.com and extract the first 5 article
headlines visible on the homepage.
Return the result in JSON format:
[
{"rank": 1, "title": "..."},
{"rank": 2, "title": "..."},
...
]
"""
O agente vê a captura de ecrã, identifica os títulos e devolve o JSON na sua resposta de texto final — aquela que chega quando a resposta já não contém um computer_call. Lê isto a partir de response.output_text.
Extrair Conteúdo Para Além do Ecrã
Uma janela de visualização (viewport) de 720 píxeis de altura mostra apenas uma fração de uma página de resultados. Deve, portanto, descrever não só o que recolher, mas também como navegar na página e a condição de paragem. Caso contrário, o agente irá fazer scroll até as suas iterações se esgotarem, devolvendo dados truncados.
task = """
On this search results page:
1. Read all visible results and note them
2. Scroll down to see more results
3. Continue until you have collected 20 results or reached
the bottom of the page
For each result, extract:
- Title
- URL
- Short description
Return everything in JSON.
"""
As tabelas são o terreno mais favorável porque o modelo compreende imediatamente as estruturas tabulares visuais: associa uma célula à sua coluna por simples alinhamento, enquanto um extrator de DOM tem de contar elementos <td> e perde-se assim que uma célula é fundida. Descreva as colunas esperadas e ele preencherá as linhas.
task = """
Open https://stats.example.com/prices and extract the price table
displayed on the page.
The table has columns: Product, Price ex-VAT, VAT, Price inc-VAT.
Extract all rows and return in JSON:
{
"headers": ["Product", "Price ex-VAT", "VAT", "Price inc-VAT"],
"rows": [
["Widget A", "10.00", "20%", "12.00"],
...
]
}
"""
A Abordagem Híbrida: Navegar por Visão, Extrair via DOM
Para dados sensíveis — valores, referências de produtos — a leitura visual permanece aproximada. A combinação mais robusta divide as funções de acordo com os pontos fortes de cada ferramenta: o agente trata da parte difícil de scriptar, nomeadamente chegar à página certa através de pesquisas, filtros e diálogos de consentimento; o Playwright assume então onde a precisão é mais importante, lendo valores diretamente do DOM.
def extract_with_dom(page, task_description: str):
"""Use Computer Use to navigate, Playwright to extract."""
# Phase 1: Computer Use navigates and identifies the area
run_agent(task_description, page=page)
# Phase 2: Playwright extracts precise data
data = page.evaluate("""
() => {
const rows = document.querySelectorAll('table tbody tr');
return Array.from(rows).map(row => {
const cells = row.querySelectorAll('td');
return Array.from(cells).map(c => c.textContent.trim());
});
}
""")
return data
Estruturas Não Padronizadas
Cartões de produtos, perfis, listagens: estes layouts escapam aos modelos regulares, e é precisamente aqui que a visão assume a liderança. O prompt deve então nomear cada campo esperado, especificar o seu tipo e fornecer um exemplo de saída completo. Caso contrário, poderá recuperar “250.000 €” num registo e 250000 no seguinte, fazendo com que o processamento subsequente falhe na primeira linha.
task = """
On this real estate results page, extract for each listing:
- price (number, in euros)
- area (in m²)
- rooms (integer)
- city
- postal_code
- listing_url
Scroll to load more listings if necessary.
Stop when you have 10 listings or when there are no more.
Strict JSON output format:
{
"listings": [
{
"price": 250000,
"area": 65,
"rooms": 3,
"city": "Paris",
"postal_code": "75011",
"listing_url": "https://..."
}
]
}
"""
Preservar a Rastreabilidade da Extração
Uma extração sem metadados torna-se inutilizável três semanas depois: já não sabe de onde vêm os números nem quando foram datados, tornando a comparação com a próxima recolha sem sentido. Registe sistematicamente a fonte e o carimbo de data/hora juntamente com os dados.
import json
from datetime import datetime, timezone
def save_extraction(data: dict, source_url: str):
"""Save extracted data with metadata."""
now = datetime.now(timezone.utc)
output = {
"source": source_url,
"extracted_at": now.isoformat(),
"data": data,
}
filename = f"extraction_{now:%Y%m%d_%H%M%S}.json"
with open(filename, "w", encoding="utf-8") as f:
json.dump(output, f, ensure_ascii=False, indent=2)
print(f"Data saved to {filename}")
O Que a Visão Não Lhe Dá
A precisão numérica é a primeira limitação. O OCR implícito do modelo pode confundir caracteres de forma semelhante — 0 e O, 1 e l — o que é irrelevante para um título de artigo, mas inaceitável para um IBAN ou referência de encomenda: verifique sempre os dados críticos ou utilize a extração via DOM para esses campos.
O custo vem a seguir. Cada captura de ecrã conta como uma entrada de imagem, cujo preço depende do seu tamanho e do modelo — a OpenAI disponibiliza uma calculadora para estimar isto — e uma extração com scroll encadeia muitas voltas. Como todo o histórico da cadeia é refaturado como entrada em cada pedido, o custo de uma recolha longa cresce mais rapidamente do que o seu número de capturas de ecrã. Portanto, qualquer grande volume a recolher diariamente justifica medição em algumas páginas reais antes de ir para produção. O tempo segue a mesma lógica: cada volta espera uma resposta do modelo, o que serve para processamento noturno, mas raramente para uma interface de utilizador à espera de uma resposta.
Pontos-chave
- O Computer Use destaca-se na extração de dados de páginas visualmente complexas
- Solicite sempre um formato de saída estruturado (JSON) no prompt
- Combine a navegação por IA com a extração DOM do Playwright para maior fiabilidade
- Planeie o scroll em páginas longas
- Verifique os dados numéricos críticos, pois o OCR implícito não é perfeito