Cinco Casos de Uso do GEO: Construindo Programas de Participação em Citações com a AI Sem Desperdício Visão Geral do Scraper

Principais Conclusões:

• GEO é participação de citação, não participação de classificação. Quando uma Visão Geral da IA do Google responde à pergunta de um comprador, estar na posição #4 nos links azuis importa menos do que ser um dos cinco domínios que o AIO cita. GEO é a disciplina que mede e aumenta essa participação de citação.
• Cinco casos de uso repetíveis. Monitoramento de resultados de pesquisa, rastreamento de SEO/GEO, percepção da opinião pública da marca, análise de concorrentes e coleta de dados de treinamento de LLM — cada um deles se mapeia para a mesma forma de chamada scraper.overview e o mesmo array task_result.source.
• Um ator para a superfície da Visão Geral da IA. scraper.overview retorna o corpo do AIO mais o painel de fontes citadas como JSON estruturado. Combine-o com scraper.google.search (o SERP clássico) e scraper.aimode (a aba do Modo IA do Google) para abranger toda a experiência de busca ampliada por IA do Google.
• Egresso residencial com pinagem por país. input.country decide através de qual proxy residencial o pedido é enviado e, portanto, qual AIO o Google gera. Programas GEO em múltiplos mercados tratam o país como uma dimensão de primeira classe em cada captura.
• Grátis para começar. Novas contas Scrapeless incluem créditos gratuitos da API Scraper — registre-se em Scrapeless.

Introdução: de SEO para GEO

Por duas décadas, a otimização para motores de busca foi uma disciplina de classificações. Os dez links azuis eram a superfície, o clique era a unidade, e a grade de palavras-chave por posição era o painel. A Otimização de Motor Gerador é a disciplina que assume quando uma resposta gerada por IA aparece acima desses dez links azuis e sintetiza sua própria resposta a partir de um punhado de fontes citadas.

Em um mundo GEO, a pergunta não é "onde estou classificado para essa consulta?" É "quando o Google gera uma Visão Geral da IA para essa consulta, sou citado?" As duas métricas correlacionam-se, mas de forma imperfeita — um domínio que classifica #3 organicamente pode estar ausente do painel de citação do AIO, e um guia de nicho que classifica #14 pode aparecer como uma das cinco fontes citadas. O conjunto de citações é o que é lido em voz alta para os usuários em superfícies de voz, o que é resumido no corpo da resposta, e no que um assistente de compras por IA fundamenta sua recomendação.

Este guia é para líderes de SEO, equipes de marketing de marca e engenheiros de dados que estão construindo programas de participação na citação contra as superfícies de IA do Google. O código executável é leve — a maior parte do que segue é um fluxo de trabalho repetível, capturado como pequenos trechos de Python que envolvem uma única chamada de ator Scrapeless. Os cinco casos de uso abaixo — monitoramento de resultados de pesquisa, rastreamento de SEO/GEO, percepção da opinião pública da marca, análise de concorrentes e coleta de dados de treinamento de LLM — são a base de um programa GEO de produção em 2026.

O Que Você Pode Fazer Com Esse Padrão

• Medir a taxa de acionamento do AIO por conjunto de palavras-chave. Nem toda consulta gera um AIO. Rastrear a porcentagem que sim, por cluster de tópicos e por país, é em si um indicador antecipado de quão primeira-IA sua categoria se tornou.
• Rastrear participação de voz de domínios citados. Agregar os arrays source em um conjunto de palavras-chave, contar domínios distintos e classificá-los — o resultado é a participação de citação, o equivalente GEO da clássica pontuação de visibilidade de SEO.
• Perceber a sensação da marca nas respostas da IA. Observe quais avaliações, comparações e peças editoriais de terceiros o AIO do Google escolhe para fundamentar sua resposta quando os prospects pesquisam sua marca — e qual tom aquelas páginas citadas adoptam.
• Auditar a postura GEO dos concorrentes. Compare as listas de fontes citadas para as consultas de marca de um concorrente com as suas — a diferença é o roteiro editorial, os alvos de colocação e a lista de contatos de parceiros.
• Construir conjuntos de dados de avaliação de LLM reproduzíveis. Cada captura de AIO é um registro (consulta, país, timestamp) → (corpo da resposta, conjunto de citações). Pinado em uma geografia e tempo fixos, é uma verdade fundamental reproduzível para avaliações de geração aumentada por recuperação e benchmarks de qualidade de resposta.
• Gerar chamadas de expansão em múltiplos mercados. O conteúdo da Visão Geral da IA difere entre EUA, GB, DE, FR, JP e outros mercados. Capturar AIOs por país informa onde sua marca já está presente na resposta da IA, onde você está ausente e quais páginas locais o Google substitui quando você não está.

No Scrapeless, acessamos apenas dados publicamente disponíveis enquanto respeitamos estritamente as leis, regulamentos e políticas de privacidade dos sites aplicáveis. O conteúdo deste post é apenas para fins de demonstração.

Por Que Scrapeless para Programas GEO

Os dados GEO são dados operacionais. Eles precisam ser reproduzíveis semana após semana, comparáveis entre os mercados e produzidos a um custo que permita a uma equipe capturar milhares de consultas em um intervalo regular. A linha da API Scraper do Scrapeless é construída para esse perfil operacional.

• Um envelope JSON para toda a família de AI-search. scraper.overview para o bloco AIO, scraper.google.search para o SERP clássico, scraper.aimode para a aba Modo AI do Google — mesmo x-api-token, mesma forma de envelope, mesmo padrão de tentativa. Um único wrapper de cliente cobre toda a família.
• Saída residencial vinculada ao país. Defina input.country por solicitação e o ator se conecta através de um proxy residencial geograficamente correspondente. Programas GEO de múltiplos mercados tratam o país como uma dimensão em cada captura, não como uma substituição isolada.
• Lazy-load e CAPTCHA tratados do lado do servidor. AIOs são renderizados atrás de um espaço reservado "gerando" que o ator consulta do lado do servidor, e o SERP circundante é protegido pela pilha padrão anti-bot do Google. O chamador envia um prompt e um country e lê JSON em troca; tudo entre é do lado do servidor, e a consulta domina a latência total de ~12–18 s.
• Projetado para compor com o resto da paisagem de respostas LLM. Os Resumos de IA do Google são uma superfície de citação; a busca do ChatGPT, Perplexidade e os assistentes de compras de IA são outras. A API Universal de Scraping estende o mesmo padrão de ator para o resto dessas superfícies, de modo que um pipeline de visibilidade AI de marca não precise de um vendedor diferente por LLM.

Obtenha sua chave de API no plano gratuito em Scrapeless. A linha da API Scraper está no catálogo de preços ao lado dos produtos Scraping Browser, API Universal de Scraping e Agente de IA.

Pré-requisitos

• Uma conta Scrapeless e chave de API — inscreva-se em Scrapeless.
• Python 3.10+ com requests instalado (pip install requests).
• Uma lista de palavras-chave — termos de marca, termos de categoria, termos de comparação, termos cientes de problemas. Vinte palavras-chave são suficientes para ver sinal; duzentas são suficientes para direcionar um roadmap de conteúdo.

export SCRAPELESS_API_TOKEN=sk_your_token_here
pip install requests

O helper compartilhado usado em cada snippet abaixo é o mesmo wrapper fetch_aio da documentação da API Scraper AI Overview — um POST, JSON de entrada, JSON de saída, três tentativas em caso de sinal de execution failed transitório.

import os, time, requests
from urllib.parse import urlparse

URL = "https://api.scrapeless.com/api/v2/scraper/execute"
HEADERS = {
    "x-api-token":  os.environ["SCRAPELESS_API_TOKEN"],
    "Content-Type": "application/json",
}

def fetch_aio(prompt, country="US", retries=3, backoff=3.0):
    """
    Retorna o dict task_result em caso de sucesso, ou None quando o Google não tem AIO
    para a consulta nesta geografia após o esgotamento do orçamento de tentativas —
    trate None como dados ("aio_present=False"), não como um erro.
    """
    body = {"actor": "scraper.overview", "input": {"prompt": prompt, "country": country}}
    for attempt in range(retries):
        resp = requests.post(URL, headers=HEADERS, json=body, timeout=60)
        if resp.status_code == 200:
            payload = resp.json()
            if payload.get("status") == "success":
                return payload["task_result"]
        if resp.status_code == 400 and "execution failed" in resp.text:
            time.sleep(backoff * (attempt + 1))
            continue
        resp.raise_for_status()
    return None

def root_domain(url: str) -> str:
    """Reduz uma URL à sua raiz registrável (por exemplo, https://shop.nike.com/... -> nike.com)."""
    host = urlparse(url).hostname or ""
    parts = host.split(".")
    return ".".join(parts[-2:]) if len(parts) >= 2 else host

Cada fluxo de trabalho abaixo se baseia nesses dois helpers — fetch_aio para a chamada da API e root_domain para agregar URLs citadas por domínio. Referência completa da API para o ator scraper.overview e seus atores irmãs: apidocs.scrapeless.com; documentação de SDK e integração: docs.scrapeless.com.

Caso de uso 1: monitoramento de resultados de busca

A primeira pergunta GEO é a mais simples: o Google produz um Resumo de IA para esta consulta? A resposta varia de semana a semana à medida que o Google expande e contrai a cobertura AIO em clusters de tópicos e países. O rastreamento da taxa de ativação AIO por conjunto de palavras-chave, por mercado, é o principal indicador de quão focada em IA a categoria se tornou.

O padrão: execute a lista de palavras-chave através do fetch_aio, registre um 1 quando o ator retornar um corpo e um 0 quando retornar None, agregue por cluster de tópico e país.

from datetime import datetime, timezone

keywords = [
    "melhores tênis de corrida",
    "análise asics gel-nimbus 27",
"como escolher tênis de corrida",
"marcas de tênis de corrida classificadas",
"nike vs hoka",
## Caso de uso 4: análise de concorrentes

O painel de citação da Visão Geral de IA para consultas de marcas de concorrentes é um dos sinais de inteligência competitiva mais limpos em 2026. Ele informa quais domínios de terceiros estão endossando o concorrente diante de cada prospect que os pesquisa — e, por inversão, quais domínios você precisa em seu próprio roadmap de conteúdo GEO.

O padrão: construa um pequeno conjunto de consultas de marca por concorrente, capture por país e, em seguida, faça a diferença entre os conjuntos de domínios citados entre concorrentes e contra sua própria marca.

```python
# Substitua esses nomes de marcas pelos seus próprios e os concorrentes que você deseja comparar.
sua_marca = "SuaMarca"
marcas = {
    "SuaMarca":    ["SuaMarca avaliação",  "SuaMarca preços",    "SuaMarca alternativa"],
    "ConcorrenteA":  ["ConcorrenteA avaliação",  "ConcorrenteA preços",  "ConcorrenteA alternativa"],
    "ConcorrenteB":  ["ConcorrenteB avaliação",  "ConcorrenteB preços",  "ConcorrenteB alternativa"],
}

citados = {}
for marca, consultas in marcas.items():
    dominios = set()
    for q in consultas:
        resultado = fetch_aio(q, country="BR")
        if not resultado:
            continue
        for src in (resultado.get("source") or []):
            dominios.add(root_domain(src.get("url", "")))
    citados[marca] = dominios
    print(f"{marca:<14} citado em {len(dominios)} domínios únicos")

# Análise entre marcas: domínios citados para cada marca no conjunto — as "autoridades de categoria"
autoridades_categoria = set.intersection(*citados.values()) if citados else set()
print("\nDomínios de autoridade de categoria (citados para cada marca):")
for d in sorted(autoridades_categoria):
    print(f"  - {d}")

# Lacunas por marca: domínios citados para concorrentes, mas não para você
for marca, dominios in citados.items():
    if marca == sua_marca:
        continue
    lacuna = dominios - citados[sua_marca]
    print(f"\n{marca} é citado em {len(lacuna)} domínios que não citam {sua_marca}:")
    for d in sorted(lacuna):
        print(f"  - {d}")

Dois resultados de produto disso:

• O conjunto de "autoridades de categoria" — domínios citados para cada concorrente na comparação — é a lista indispensável para qualquer esforço de alcance a parceiros, conteúdo patrocinado ou propostas editoriais.
• O conjunto de lacunas por marca — domínios que citam concorrentes, mas não você — é o roadmap de conteúdo e alcance GEO, classificado pela frequência com que o domínio ausente aparece.

Execute o mesmo script com country="GB", country="DE", country="JP" para descobrir lacunas específicas do mercado. O conjunto de domínios citados difere entre os mercados, e uma autoridade de categoria em um país é frequentemente um publicador diferente em outro.

Caso de uso 5: coleta de dados para treinamento de LLM

Cada captura de AIO é um registro (consulta, país, timestamp) → (resposta, citações). Fixo em uma geografia e tempo específicos, esse registro é uma verdade fundamental reproduzível — o tipo de conjunto de dados que a avaliação de geração aumentada por recuperação e os benchmarks de qualidade de resposta necessitam.

import json, pathlib
from datetime import datetime, timezone

consultas = ["o que é graphql", "como funciona uma bomba de calor", "melhores tênis de corrida"]
pais = "BR"
dir_saida = pathlib.Path("./dados_aio")
dir_saida.mkdir(exist_ok=True)

for q in consultas:
    resultado = fetch_aio(q, country=pais)
    if not resultado:
        continue
    registro = {
        "capturado_em": datetime.now(timezone.utc).isoformat(),
        "pais":         pais,
        "consulta":     q,
        "resposta":     resultado.get("rawtext", ""),
        "citacoes": [
            {"titulo": s.get("title", ""), "url": s.get("url", ""),
             "dominio": root_domain(s.get("url", "")), "snippet": s.get("snippet", "")}
            for s in (resultado.get("source") or [])
        ],
        "url_raw":     (resultado.get("metadata") or {}).get("rawUrl", ""),
    }
    fname = dir_saida / f"{pais}_{q.replace(' ', '_')[:40]}.json"
    fname.write_text(json.dumps(registro, ensure_ascii=False, indent=2))

Uma captura de alguns milhares de registros através de um conjunto representativo de consultas fornece:

• Um conjunto de avaliação RAG — consulta mais a resposta do Google fundamentada contra um painel de citações de qualidade editorial. Avalie seu próprio recuperador pedindo para que ele produza a mesma resposta a partir do mesmo conjunto de citações.
• Um benchmark de qualidade de resposta — emparelhe a resposta do AIO com respostas que seu próprio LLM produz para a mesma consulta e peça a um modelo juiz para comparar. O AIO não é a verdade fundamental, mas é uma referência credível para "o que uma equipe de motor de resposta no Google entrega em produção hoje."
• Um conjunto de dados de gráfico de citações — os tríades (consulta, citação, domínio) formam um gráfico que suporta análise de cluster de tópicos e autoridade. Agrupe as consultas, agrupe os domínios citados e a mapeação bipartida é a topologia de quem fundamenta o que na Busca AI do Google.
  Porque o corpo da AIO varia ao longo de horas e dias, o timestamp de captura importa. Duas capturas da mesma consulta com uma semana de intervalo podem produzir corpos diferentes, fontes citadas diferentes e contagens diferentes. Armazenar a carga útil task_result bruta mantém o conjunto de dados reproduzível, mesmo quando as superfícies de visão geral da IA do Google mudam por baixo.

Arquitetura de produção: pare scraper.overview com irmãos

As Visões Gerais de IA do Google são uma superfície de resposta da IA. Um programa GEO em produção cobre o resto da família a partir da mesma conta Scrapeless.

scraper.google.search — o SERP orgânico clássico

Os dez links azuis abaixo da AIO, os pares de “People Also Ask”, o Painel de Conhecimento, o Snippet em Destaque e o bloco de Pesquisas Relacionadas. Una os domínios das fontes citadas do scraper.overview com os 10 melhores orgânicos do scraper.google.search e o resultado é uma matriz por domínio (organic_rank, aio_citation_count) — a entrada que sustenta qualquer decisão "GEO vs SEO".

scraper.aimode — a aba do Modo IA

O Modo IA do Google é uma experiência conversacional separada e de página inteira. A resposta é mais longa, o painel de citação é exibido de forma diferente e os prompts de acompanhamento são de primeira classe. Para programas de visibilidade de marca-IA, o Modo IA é a segunda superfície do Google a ser monitorada. O ator retorna a resposta conversacional e seu painel de citação como JSON estruturado.

API de Scraping Universal — a paisagem de respostas LLM além do Google

Os resultados de busca do ChatGPT, as respostas do Perplexity e os assistentes de compra de IA são superfícies de resposta independentes com sua própria lógica de citação. Um programa completo de visibilidade de marca-IA rastreia a participação de citação em todas elas. A API de Scraping Universal é o caminho dedicado — mesmo x-api-token, diferentes atores, mesma forma de envelope JSON.

scraper.amazon (Rufus) para marcas de comércio

Quando a marca monitorada vende produtos físicos, o assistente de compras conversacional Rufus da Amazon é a outra grande superfície de resposta da IA que os compradores consultam antes de comprar. O ator Amazon Rufus retorna sua resposta fundamentada mais a lista de produtos recomendados. Pare as capturas da AIO e Rufus e você terá uma visão lado a lado de como as duas maiores superfícies de resposta da IA posicionam sua marca no momento da intenção de compra.

Conecte os quatro atores por trás de um único invólucro de cliente uma vez, e o programa GEO se torna um trabalho cron diário que espalha o mesmo conjunto de palavras-chave por quatro superfícies e escreve a união em uma tabela de armazém.

FAQ

Q1: Qual é a diferença entre SEO e GEO?
SEO otimiza para classificação orgânica nos dez links azuis. GEO otimiza para participação de citação dentro da resposta gerada por IA que fica acima deles. Os dois estão correlacionados, mas não são idênticos — um domínio que ocupa a posição #3 organicamente pode estar ausente do painel de citação da AIO, e um guia de nicho que ocupa a posição #14 pode ser citado. GEO requer suas próprias métricas (participação de citação, taxa de ativação da AIO, lacuna de domínio citado), sua própria cadência de monitoramento (o corpo da AIO varia dia após dia) e sua própria estratégia de conteúdo (concisa, amigável à citação, estruturada).

Q2: Por que usar scraper.overview em vez de raspar o SERP eu mesmo?
Três razões: manuseio de carregamento preguiçoso (a AIO é exibida atrás de um espaço reservado "gerando" por vários segundos — o ator consulta do lado do servidor), o stack de proxy residencial (o Google limita agressivamente a taxa a partir de IPs de data center) e manutenção de seletores (a marcação da AIO gira em variantes A/B). O ator lida com todos os três e retorna um envelope estruturado onde o corpo, as citações e as bandeiras de compras são campos de primeira classe.

Q3: Os dados GEO são legais de coletar?
O conteúdo público da Visão Geral de IA exibido em google.com faz parte do resultado de pesquisa visível publicamente e é amplamente considerado justo de acessar para pesquisa de SEO, monitoramento de marca e análise competitiva. Jurisdições e casos de uso específicos diferem — uso comercial, redistribuição do corpo da AIO e automação em larga escala podem trazer considerações adicionais sob os Termos de Serviço do Google e a legislação local de proteção de dados. Reveja os ToS do Google e suas regulamentações locais e consulte um advogado antes de publicar ou redistribuir conteúdo raspado.

Q4: Com que frequência devo recapturar a AIO para a mesma consulta?
Para monitoramento de marca em um pequeno conjunto de consultas de marca, semanalmente geralmente é suficiente — a deriva é real, mas não minuto a minuto. Para análise de concorrentes e rastreamento de autoridade de categoria em conjuntos de palavras-chave mais amplos, quinzenal ou mensal é o padrão. Para um sinal de mudança estratégica (por exemplo, a taxa de ativação da AIO saltando ao longo de um trimestre), diariamente em um pequeno conjunto de canários irá capturá-lo mais cedo.

Q5: Algumas consultas retornam None (sem AIO). O que isso significa?
O ator retorna None (via o auxiliar acima) quando o Google não apresentou um Resumo de IA para a consulta naquele país, ou quando a renderização upstream falhou momentaneamente. Trate o sinal de sem-AIO como dado — ele é em si mesmo o evento de "sem AIO" que você deseja rastrear. Tente novamente uma vez com um pequeno retrocesso; se persistir nas tentativas, registre como aio_present=false.

Q6: Por que a mesma consulta retorna um corpo de AIO diferente em dias diferentes?
Os Resumos de IA são não determinísticos — o Google os regenera por sessão e eles variam ao longo de horas e dias. Para fins de GEO, o conjunto de citações é mais estável do que o corpo do texto; a métrica de participação de citações lida melhor com a variação do que as métricas de correspondência de texto. Para conjuntos de dados de treinamento de LLM, fixe o timestamp de captura em cada registro para que os snapshots históricos permaneçam autocoerentes.

Q7: Eu preciso de códigos diferentes por país?
Não — defina input.country em cada chamada. O ator se encaminha através de um proxy residencial correspondente ao país e o AIO que o Google produz é o apropriado para a localidade. A forma de resposta é idêntica entre os países.

Q8: Como eu orçamento para um programa GEO?
Uma estrutura inicial útil: número de consultas de marca + categoria × número de mercados × cadência de captura. Um programa de monitoramento de marca focado (50 consultas de marca × 3 mercados × semanal) é cerca de 600 chamadas por mês. Um programa mais amplo de participação de citações (500 palavras-chave × 5 mercados × semanal) é cerca de 10.000 chamadas por mês. Verifique os preços atuais por chamada na página de preços do Scrapeless.

Q9: E quanto ao ChatGPT, Perplexity e outras superfícies de resposta de LLM?
O Google é uma superfície de participação de citações; um programa completo de visibilidade de marca-IA também rastreia os outros. A API Universal Scraping é o caminho dedicado para o restante do panorama de respostas de LLM. O mesmo x-api-token, atores diferentes, a mesma forma de envelope — o programa GEO escala a partir de uma única conta Scrapeless.

Q10: Posso executar isso a partir de uma pilha sem código / baixo código?
Sim — qualquer ferramenta que possa fazer um HTTP POST com um corpo JSON e um cabeçalho personalizado (n8n, Zapier, Make, Airbyte, Retool, dbt com um modelo Python) pode chamar scraper.overview diretamente. A resposta é JSON simples; a extração de task_result.source em uma tabela de citações é uma transformação de uma linha.

Q11: Como eu detecto quando a postura GEO de um concorrente muda?
Capture o conjunto de domínios citados por consulta de marca semanalmente e armazene a diferença entre as semanas. Uma mudança significativa é um novo domínio entrando no painel de citações por duas capturas consecutivas (sinal, não ruído) ou um domínio anteriormente consistente saindo. Integre essas diferenças no canal de alertas da sua equipe e o programa GEO se torna um indicador líder em vez de um relatório trimestral.

Q12: Como eu provo o ROI em um programa GEO?
Duas camadas. Primeiro, a camada operacional: participação de citações, taxa de disparo de AIO, e lacuna de domínio citado são as métricas que o programa produz diretamente. Segundo, a camada de atribuição: páginas que sua marca publica e que subsequentemente são citadas pelo AIO são o equivalente GEO de uma vitória em tráfego orgânico. Marque essas páginas, rastreie sua mistura de referenciadores e relate a contagem de citações como uma métrica primária de sucesso — junto com a métrica secundária de tráfego atribuído.

Conclusão: um pequeno conjunto de chamadas repetíveis

Um programa GEO de produção não é uma auditoria única; é um pequeno conjunto de chamadas repetíveis do ator Scrapeless disparadas contra um conjunto de palavras-chave em uma cadência regular, com as respostas registradas em uma tabela de armazém e visualizadas como participação de citações, taxa de disparo e lacuna de domínio citado. A mecânica é simples: um POST para scraper.overview, um envelope JSON de volta, o array source agregado por domínio.

Os cinco casos de uso acima — monitoramento de resultados de pesquisa, rastreamento de SEO/GEO, percepção da opinião pública da marca, análise de concorrentes e coleta de dados de treinamento de LLM — não são pipelines separados. Eles são um único pipeline, consultado de cinco maneiras. Construa o auxiliar uma vez. Execute-o diariamente. Faça a diferença da saída semanalmente. Emparelhe-o com scraper.google.search para o SERP clássico, scraper.aimode para a aba Modo de IA do Google, e a API Universal Scraping para o restante do panorama de respostas de LLM, e o programa abrange todas as superfícies de resposta de IA que são relevantes para sua marca a partir de uma única conta Scrapeless.

Inscreva-se em app.scrapeless.com para créditos gratuitos da API Scraper e toda a mecânica do ator em si está no guia da API Scraper AI Overview.

Pronto para Construir Seu Programa de Visibilidade de Marca-IA?

Junte-se à nossa comunidade para reivindicar um plano gratuito e se conectar com desenvolvedores e equipes de SEO/GEO construindo pipelines de participação de citações sobre o Scrapeless: Discord · Telegram.
Inscreva-se em app.scrapeless.com para obter créditos gratuitos da Scraper API e adapte os fluxos de trabalho acima para as consultas de marca, termos de categoria e mercados que seu programa precisa.