Todo fundador que eu conheço já comprou, em algum momento, uma lista com dez mil contatos “verificados” e viu a taxa de resposta ficar perto de zero. Eu fiz a mesma coisa no começo da carreira e aprendi rápido uma lição: um monte de e-mails não é um pipeline. O que realmente faz os negócios andarem é saber quais empresas valem a conversa — e por quê —, e isso é bem diferente de simplesmente sair coletando nomes na internet.
O web scraping costuma ser vendido como atalho para “conseguir 10 mil leads até sexta-feira”, mas as ferramentas que realmente funcionam em 2026 foram pensadas para algo mais útil: encontrar contas reais, sustentadas por evidências reais, exatamente no momento em que elas dão um sinal de compra. Passei muito tempo na Thunderbit pensando em como as pessoas fazem coleta de dados para vendas, e os times que chegam aos melhores resultados não são os que raspam mais linhas — são os que raspam as linhas certas, com contexto.
O que realmente significa encontrar leads B2B com web scraping?
Muita gente ouve “raspar leads” e imagina uma ferramenta que puxa uma página de diretório e devolve um CSV com nomes, cargos e e-mails. Isso não é geração de leads — isso é coleta de contatos, e é por isso que tantos times de vendas acabam com listas que dão bounce e convertem ainda pior.
Um registro de lead de verdade precisa de mais do que um nome. Ele precisa de uma identidade da conta (nome da empresa e domínio canônico), evidências de que a empresa realmente se encaixa no seu perfil ideal de cliente, um sinal com data e hora que mostre por que agora é um bom momento para entrar em contato, uma forma permitida de contato, um histórico de onde os dados vieram e um status que você possa revisar depois. Parece muita coisa, mas na prática se resume a uma sequência simples: comece por uma fonte pública e permitida, confirme a identidade da empresa, reúna evidências de aderência, registre o gatilho, encontre a rota mínima de contato, valide, remova duplicados e então envie para o CRM. Pular etapas leva ao que todo mundo já conhece e odeia: uma planilha de desconhecidos.
Por que isso importa mais do que nunca
A IA tornou o scraping absurdamente fácil de começar — e absurdamente fácil de fazer errado em escala. Há alguns anos, criar um scraper exigia contratar um desenvolvedor ou passar o fim de semana brigando com seletores XPath. Hoje, qualquer pessoa consegue apontar um AI scraper para uma página e obter dados estruturados em minutos. Isso é ótimo para produtividade, mas também significa que mais times de vendas estão despejando dados não qualificados e não verificados nos CRMs mais rápido do que nunca — e limpar tudo isso depois custa muito mais tempo do que fazer direito na primeira vez.
Ao mesmo tempo, a base regulatória não mudou só porque as ferramentas ficaram mais inteligentes. O Information Commissioner's Office do Reino Unido deixou claro que dados de contato comercial disponíveis publicamente ainda podem se enquadrar no UK GDPR, e que objeções a marketing direto precisam ser respeitadas mesmo em contexto B2B. Nos EUA, a orientação da FTC sobre o CAN-SPAM também não cria exceção para e-mail B2B — toda mensagem comercial ainda precisa ter cabeçalhos corretos, opção de descadastro funcional e pedidos de cancelamento respeitados em até 10 dias úteis. Nada disso é curiosidade jurídica exótica; é a linha de base com a qual você precisa trabalhar, saiba disso ou não.
Antes de começar: leia o ambiente — e os termos de uso
Vou ser direto aqui: nem todo site é território livre, por melhor que seja o seu scraper. Os termos do Google Maps proíbem explicitamente exportar ou fazer scraping em massa do conteúdo do Maps. O Acordo de Usuário do LinkedIn proíbe scraping e automação não autorizada de forma explícita. Os termos atuais da Clutch também proíbem scraping manual ou automatizado. Essas não são cláusulas escondidas — são a primeira coisa que você deve verificar antes de apontar qualquer ferramenta para um site, e eu já escrevi bastante sobre scraping no LinkedIn justamente porque isso aparece o tempo todo.
Vale entender o robots.txt, mas ele não deve ser tratado como sinal verde jurídico. Pela própria especificação da IETF, ele é uma instrução de rastreamento, não um sistema de permissão nem um mecanismo de controle de acesso. Um site pode permitir rastreamento no robots.txt e ainda assim proibir scraping nos termos de uso — e, em disputas, os termos normalmente prevalecem. Minha regra prática: se um site exige login para ver os dados, exibe CAPTCHA na frente do conteúdo ou diz explicitamente “no scraping” em qualquer parte dos termos, essa é uma fonte para evitar, não um quebra-cabeça para resolver.
Fontes públicas que costumam ser mais seguras e úteis para pesquisa B2B incluem sites corporativos, registros governamentais, diretórios de expositores e parceiros com permissão, páginas de vagas e páginas de imprensa. As APIs do EDGAR da SEC, por exemplo, oferecem arquivamentos públicos em JSON e dados XBRL gratuitamente, sem precisar de chave de API — basta manter as requisições automatizadas em até 10 por segundo, conforme a própria orientação de limite de taxa da SEC.
O pipeline completo: do scraping bruto aos leads prontos para o CRM
Aqui está a sequência que eu realmente recomendaria, e ela tem menos a ver com “raspagem” e mais com um mini processo de pesquisa, com o scraper no centro.
Primeiro, escolha uma fonte pública permitida e extraia apenas campos no nível da organização: nome da empresa, domínio, URL da fonte, categoria, localização e qualquer sinal que tenha feito você prestar atenção nela em primeiro lugar (uma vaga, um press release, uma lista de evento). Segundo, para as contas que parecem promissoras, vá ao site real delas e confirme o que fazem, onde estão sediadas e qual rota de contato pública existe. Terceiro, valide e enriqueça apenas as contas que já passaram no seu filtro de qualificação — não desperdice créditos de enrichment com empresas que você ainda não avaliou. Quarto, remova duplicados com base nos dados existentes do CRM antes de importar qualquer coisa. Quinto, envie com um campo de status para que o time de vendas saiba o que já foi revisado e o que ainda precisa de análise.
Essa última parte importa mais do que parece. Eu sugeriria marcar cada registro com algo como candidate_account, qualified_account, contact_ready, needs_review ou rejected. Parece exagero até o momento em que o time de SDR pergunta “espera, alguém realmente confirmou que essa empresa se encaixa no nosso ICP?” — e você tem uma resposta em vez de um encolher de ombros.
Onde encontrar contas B2B com alto sinal
Os melhores sinais não estão escondidos — eles só estão espalhados por fontes que a maioria dos times não se dá ao trabalho de checar de forma sistemática. Páginas de carreira mostram quem está contratando e para quê, o que é um bom indicativo de onde estão investindo. Páginas de imprensa e newsroom indicam financiamento, expansão e lançamentos de produtos. Páginas de parceiros e expositores (quando o scraping é permitido) mostram quem está ativo em um ecossistema específico. Registros públicos, especialmente de empresas maiores, revelam saúde financeira e prioridades estratégicas de uma forma que um post no LinkedIn nunca vai mostrar.
Nenhum desses sinais, sozinho, prova intenção de compra — uma vaga para “VP of Sales” não significa que a empresa está pronta para comprar seu produto amanhã. Mas, combinados e cruzados com os critérios do seu ICP, eles filtram muito melhor do que uma lista estática comprada há seis meses em um marketplace de leads e que já está 20% desatualizada.
Por que o scraping com IA muda a conta
Aqui é onde tudo fica realmente diferente do scraping que eu fazia há cinco ou seis anos. O modelo antigo exigia escrever seletores para cada layout de página, e no segundo em que o site mudava o HTML, o scraper quebrava. Ferramentas de scraping com IA leem uma página de forma mais parecida com um humano — elas entendem, pelo contexto, “isso é nome da empresa, isso é localização, isso é cargo”, em vez de depender de caminhos CSS frágeis.
É essa mudança que faz uma ferramenta como a Thunderbit olhar para uma página de listagem e, com o AI Suggest Fields, propor automaticamente as colunas certas em vez de fazer você mapear cada campo manualmente. Você também pode simplesmente digitar o que quer em linguagem natural — “quero nome da empresa, site, setor e localização” — e a IA descobre como extrair. Já conversei com times que antes levavam meio dia por site para montar a configuração de um scraper; hoje são alguns cliques e uma etapa de revisão. Isso não acontece porque as regras de compliance mudaram — elas não mudaram —, e sim porque a barreira técnica para fazer isso bem caiu drasticamente. Para entender melhor como essa mudança aparece no cenário mais amplo de scraping com IA, vale conferir nossa análise sobre AI web scraping e como ele se compara à abordagem antiga baseada em regras.
O problema das subpáginas (por que páginas de listagem sozinhas deixam tudo pela metade)
Tem uma coisa que derruba quase todo mundo no começo: a página de listagem nunca conta a história inteira. Um diretório pode mostrar o nome da empresa e um link, mas a evidência que você realmente precisa — o que a empresa faz, onde fica a sede, qual setor atende — geralmente está um clique mais fundo, na página de detalhe da própria empresa ou no site dela.
Já vi times extraindo centenas de linhas de um diretório e só depois perceberem que metade dos “leads” não tinha o único campo que realmente importava para qualificação. É exatamente por isso que o scraping de subpáginas existe como categoria de recurso, e não como um detalhe opcional. Um bom scraper deve conseguir visitar a página de listagem, capturar o link da página de detalhe de cada empresa e então seguir esse link automaticamente para puxar os campos mais profundos antes de juntar tudo em uma linha limpa. Pule essa etapa e você estará qualificando leads com base em um nome de empresa e um palpite.
Passo a passo: encontrando leads B2B com a Thunderbit
Vou mostrar do jeito que eu realmente faria, sentado com um diretório-alvo e uma xícara de café.
Passo 1: Instale a Thunderbit e abra seu diretório-alvo
Baixe a extensão Chrome da Thunderbit e navegue até uma fonte pública permitida — uma lista de expositores, um diretório do setor, um painel de vagas, o que fizer sentido para o seu ICP. Confirme que os termos do site permitem esse tipo de uso antes de seguir adiante; essa etapa leva dois minutos e evita dor de cabeça depois.
Passo 2: Clique em “AI Suggest Fields”
Em vez de clicar manualmente pela página para definir colunas, deixe a IA analisar a estrutura e sugerir campos como nome da empresa, site, localização e categoria. Você pode editar esses campos ou adicionar os seus em linguagem simples — algo como “extraia o setor atendido por esta empresa” funciona bem como instrução de campo.
Passo 3: Execute a extração
Inicie a coleta e deixe rodar pela página de listagem (e pela paginação, se o diretório tiver várias páginas). Essa é a extração “bruta” — apenas identificadores no nível da empresa, nada que você consideraria um contato privado ainda.
Passo 4: Enriqueça com scraping de subpáginas
Para as linhas que parecem promissoras, use o scraping de subpáginas para seguir o link de cada empresa até o próprio site ou página de detalhe, extraindo campos mais profundos como o que fazem, onde estão sediadas e qualquer rota de contato pública listada. Essa é a etapa que transforma uma linha nua de diretório em um registro de conta realmente qualificado.
Passo 5: Valide e limpe
Antes de qualquer coisa tocar o CRM, faça uma checagem amostral. Confirme se os domínios resolvem, confirme se o motivo da qualificação realmente se sustenta e marque qualquer item ambíguo como needs_review em vez de adivinhar. É também aqui que você faria a validação de e-mails por meio de um serviço como Hunter, se tiver identificado uma rota de contato pública legítima — mas lembre-se: um endereço de e-mail “válido” não significa consentimento para marketing.
Passo 6: Exporte e envie para o CRM
A Thunderbit exporta gratuitamente para formatos como CSV, Excel, Google Sheets, Airtable e Notion. Antes de importar para HubSpot ou Salesforce, padronize o domínio da empresa como chave principal — a própria orientação de importação do HubSpot recomenda domínio para empresas e e-mail para contatos, e as regras de duplicidade do Salesforce podem bloquear ou sinalizar sua importação silenciosamente se você pular isso. Um lote pequeno de teste com 20 a 30 linhas antes da importação completa já me salvou de limpezas mais trabalhosas mais de uma vez.
Dicas e erros comuns
Algumas coisas que eu diria a qualquer pessoa começando esse processo hoje. Não trate um cargo ou função extraído de uma vaga como prova de intenção de compra — é um indício, não um sinal verde. Não presuma que um campo extraído por IA está automaticamente correto; faça checagem amostral antes de escalar qualquer fluxo. Mantenha contatos nomeados e e-mails diretos em uma parte separada, e mais cuidadosamente governada, do seu conjunto de dados em relação à pesquisa em nível de empresa, porque B2B não isenta automaticamente dados pessoais das regras de privacidade. E não deixe o “a ferramenta tecnicamente consegue fazer” virar sua política de compliance — verifique os termos da fonte todas as vezes, não só na primeira.
Web scraping vs. comprar uma base de leads
As duas abordagens têm seu espaço, e fingir que uma é universalmente melhor seria um pouco desonesto.
| Fator | Web Scraping (fontes permitidas) | Comprar uma base de leads |
|---|---|---|
| Atualidade | Tão atual quanto o seu último scraping | Muitas vezes desatualizada em poucas semanas |
| Qualidade do sinal | Alta — você controla o gatilho e o contexto | Baixa — geralmente é só dado firmográfico estático |
| Amplitude da cobertura | Mais restrita, depende da fonte | Mais ampla, padronizada |
| Modelo de custo | Principalmente seu tempo + assinatura da ferramenta | Custo contínuo por registro ou por assento |
| Risco de compliance | Gerenciável se fontes e campos forem escolhidos com cuidado | Depende muito das práticas de obtenção do fornecedor |
| Melhor para | Outbound segmentado e orientado por sinal | Mapeamento amplo de mercado, dimensionamento inicial de TAM |
Minha visão sincera: faça scraping quando você precisa de contexto e timing — uma lista de expositores de um evento específico, a página recém-lançada de um concorrente, uma empresa que acabou de publicar três vagas de vendas. Compre ou use provedores de enrichment como Apollo quando precisar de cobertura ampla e padronizada, e estiver disposto a validar a atualidade por conta própria. As duas coisas não se excluem; muitos times fazem scraping para captar o sinal e depois enriquecem as contas qualificadas, em vez de escolher um único caminho para sempre.
Um cenário do mundo real
Imagine que você vende software de gestão de frota e quer encontrar empresas de logística em crescimento. Fazer scraping de um registro público de transportadoras de um órgão estadual de trânsito ou de um diretório de associados de uma entidade do setor te dá nomes de empresas, localizações e categorias de tamanho de frota — tudo público, tudo permitido. Em seguida, você entra nas subpáginas do site de cada empresa para confirmar que estão realmente operando e capturar a linha geral de contato. Isso talvez gere 200 contas qualificadas em vez de 5.000 nomes não verificados, mas cada uma delas vale o tempo de um SDR — que é o objetivo real.
Scraping para leads B2B funciona melhor quando você para de tratá-lo como criação de listas e começa a tratá-lo como pesquisa com ferramentas melhores. Já vi times de vendas obterem mais pipeline com 150 contas bem qualificadas do que com 10.000 contatos comprados, simplesmente porque o contato era relevante em vez de genérico. Se você está avaliando onde o scraping com IA entra na sua operação comercial mais ampla, vale a pena ler sobre como a IA está remodelando a geração de leads e como os times de vendas estão usando IA no dia a dia — ambos aprofundam os fluxos de trabalho além da etapa de scraping.
Montar esse tipo de pipeline exige um pouco mais de configuração do que baixar uma lista de contatos, claro. Mas as contas que você acaba tendo realmente querem ouvir você, o que — e digo isso tendo enviado e-mails frios para o vazio muitas vezes ao longo dos anos — vale esses trinta minutos extras de preparação.
Perguntas frequentes
É legal fazer scraping de dados de empresas B2B na web?
Depende totalmente da fonte. Sites corporativos públicos, registros governamentais e diretórios que permitem isso explicitamente geralmente podem ser raspados para fins de pesquisa. Sites como LinkedIn e Google Maps proíbem explicitamente o scraping nos termos, independentemente do que seja tecnicamente possível. Sempre verifique os termos de uso do site antes de fazer scraping e trate o robots.txt como instrução de rastreamento, não como permissão legal.
Qual é a diferença entre um “lead” e um “contact” neste contexto?
Um contato é só um nome e uma forma de falar com a pessoa. Um lead, quando bem feito, é um registro de empresa sustentado por evidências de que ela se encaixa no seu perfil ideal de cliente, além de um sinal com data e hora explicando por que você está entrando em contato agora. Raspar contatos em massa sem esse contexto é o motivo de tantas campanhas de outbound terem desempenho abaixo do esperado.
Ferramentas de scraping com IA podem garantir que os dados estão corretos?
Não, e qualquer ferramenta que diga o contrário merece desconfiança. A extração por IA é muito boa para estruturar páginas confusas, mas ainda pode interpretar mal campos ambíguos. Fazer uma checagem amostral antes de escalar qualquer coleta é um hábito que vale manter, independentemente da ferramenta usada.
Devo raspar e-mails diretamente ou usar uma ferramenta de enrichment depois?
Ferramentas de enrichment tendem a ser mais confiáveis para encontrar e verificar e-mails de contatos nomeados do que tentar raspá-los diretamente das páginas, e normalmente documentam melhor o status de verificação. Minha sugestão é primeiro raspar para qualificação no nível da empresa e, depois, enriquecer apenas as contas que já passaram nos seus critérios de aderência — isso é mais eficiente e reduz sua exposição em compliance.
Como evitar importar leads duplicados para o CRM?
Padronize o domínio da empresa como identificador principal antes de importar, e não o nome da empresa — nomes variam demais para deduplicação confiável. HubSpot e Salesforce têm documentação sobre como funcionam suas regras de correspondência, e rodar um pequeno lote de teste antes de uma importação completa pega a maioria dos problemas antes que virem bagunça no pipeline.
