Enviado em 06/01/2025 - 20:16h
Senhores, estou fazendo algumas raspagens na web com Python + Selenium. Em um dos sites acabei esbarrando em bloqueios de execução de scripts (Shadow DOM) me impedindo de usar seletores comuns de css ou qualquer outra alternativa para interagir com o HTML da página. Dessa forma, a solução que cheguei foi: Com o selenium renderizar a página na sua extensão completa e tirar uma screenshot, a partir dessa screenshot estou usando pytesseract (library python) para converter a imagem em string. Essa string é enviada a uma API do gpt para me retornar em json as informações da página.
Esse fluxo funcionou,porém tem um problema que não consigo resolver: Quando a imagem é convertida para string perde-se os posicionamentos das informações na página, o que desorganiza conteudos como tabelas que é justamente o que preciso da página.
Qual caminho posso seguir para raspar essa tabela da página?
Esse fluxo funcionou,porém tem um problema que não consigo resolver: Quando a imagem é convertida para string perde-se os posicionamentos das informações na página, o que desorganiza conteudos como tabelas que é justamente o que preciso da página.
Qual caminho posso seguir para raspar essa tabela da página?