Tutorial prático (e50) sobre automação no n8n para scraping de…

INEMA

Volta ao Split In Batches até concluir todos os itens

16. Excalidraw (opcional, como no vídeo) Pegue o JSON do fluxo (ou descreva o diagrama) e peça a um LLM para gerar JSON compatível com Excalidraw Cole no Excalidraw para apresentar o mapa visual ao cliente/equipe

Boas práticas que o autor enfatiza – Filtre antes de enviar à IA (economia de custo e tempo) – Use loop + wait para grandes volumes – Trate vídeos “processing” com retry/backoff – Centralize prompts como variáveis de configuração – Salve outputs prontos para reuso (resumo + copy reescrito) no Sheets – Use hash para deduplicar anúncios já processados

Exemplos rápidos Filtro inicial: min_likes = 1000 País = US Termo = Shopify Resultados: 20 → 12 após filtro

Prompt de reescrita (exemplo curto): “Reescreva este copy para foco em benefício principal, prova social e CTA curto. Traga 3 variações com tom direto, 140–180 caracteres.”

Perguntas frequentes com respostas

1. O que fazer quando o vídeo está “processing”? Resposta: aplicar retry com backoff (ex.: 5 min, 15 min, 1 h; máx. 5 tentativas) e só seguir quando status == ACTIVE.

2. Como reduzir custo de IA? Resposta: triagem com modelo mais barato; análise profunda só nos top-N (por likes/score). Filtrar primeiro, analisar depois.

3. Onde armazenar tudo? Resposta: protótipo em Google Sheets; para escala, DB + vetor (Supabase/Pinecone) e logs de versão de prompts.

4. Dá para reutilizar os insights? Resposta: sim. Use summary + ganchos para gerar imagens mockup e roteiro UGC; em seguida, alimente um gerador de vídeo.

5. Como mostrar o fluxo para o cliente? Resposta: gere JSON para Excalidraw a partir da descrição do workflow e cole no app; é o que o autor demonstra.

Passo a passo direto do vídeo (n8n + Apify + IA + Google Sheets)

Pré-requisitos

1. Crie uma planilha no Google Sheets com as colunas: id_hash, ad_url, tipo, page_name, page_url, country, likes, shares, comments, media_url, ad_text, subtitle, summary, rewritten_copy, status_media, processed_at, prompt_version, tags
2. Tenha as chaves: Apify API Token OpenAI e/ou Gemini (Vision + Chat)
3. Anote: ID da planilha e nome da aba Termo de busca (ex.: Shopify), país (ex.: US), min_likes (ex.: 1000), max_results (ex.: 20)

Prompts base (variáveis globais) prompt_image: “Analise a imagem: 1) 3 emoções; 2) público-alvo provável; 3) 3 ganchos; 4) 2 razões de conversão.” prompt_video: “Analise o vídeo: 1) promessa; 2) prova social; 3) CTA; 4) objeções quebradas; 5) resumo em 3 linhas.” prompt_text: “Reescreva o copy com foco em clareza, benefício principal, prova social e CTA curto. Traga 3 variações.”

Fluxo no n8n (nodes e parâmetros essenciais)

1. Trigger Opção A: Manual Trigger Opção B: Cron Mode: Every Day Time: 09:00

2. Set (Config) Campos: search_term = “Shopify” country = “US” min_likes = 1000 max_results = 20 sheet_id = “SEU_SHEET_ID” sheet_tab = “Resultados” prompt_image, prompt_video, prompt_text (os textos acima) prompt_version = “v1”

3. HTTP Request – Apify (rodar o actor de scraping da Ads Library) Method: POST URL: https://api.apify.com/v2/acts/{SEU_ACTOR}/runs?token={{APIFY_TOKEN}}&waitForFinish=120 Body (JSON): { "search": "{{$json.search_term}}", "country": "{{$json.country}}", "maxResults": {{$json.max_results}} } Headers: Authorization: Bearer APIFY_TOKEN Content-Type: application/json

Observação: se preferir, use o node Apify no n8n com os mesmos campos. O vídeo mostra gerar a API Key no Apify e usar Authorization: Bearer.

4. HTTP Request – Itens do dataset (pegar resultados) Method: GET URL: https://api.apify.com/v2/datasets/{{ $json.data.defaultDatasetId }}/items (ou o datasetId retornado do run) Query (opcional): limit={{$json.max_results}}

5. IF – Filtro de qualidade Condição: item.likes >= {{$json.min_likes}} e item.status_media == “ACTIVE” (se disponível) Se verdadeiro: segue Se falso: descarta Dica do vídeo: o filtro reduz de ~20 para ~12 anúncios (exemplo real)

6. Split In Batches Batch size: 10–20 (ex.: 15)

7. Function (extração e hashing) Código simples para: – Extrair: ad_url, media_url (imagem/vídeo), ad_text, subtitle, page_name, page_url, likes/shares/comments, tipo (image/video) – Gerar id_hash = md5(ad_url + substring(ad_text,0,120))

8. IF – Status do vídeo Se tipo == “video” e status_media == “processing”:

• → Wait
• → Volta ao item (retry) ou reenqueue com contador (até 3–5 vezes)

Se ativo: segue

9. HTTP Request – Baixar mídia (quando necessário) Para vídeo: GET media_url, response: Binário (ou só passar a URL ao modelo multimodal) Para imagem: use a URL direto na análise

10. OpenAI/Gemini – Análise de imagem (se tipo == image) Entrada: media_url e prompt_image (da Config) Saída esperada: summary_imagem, ganchos, público-alvo, razões de conversão

11. OpenAI/Gemini – Análise de vídeo (se tipo == video) Entrada: media_url (ou frames/transcrição) e prompt_video Saída esperada: summary_video, ganchos, CTA, objeções quebradas

12. OpenAI – Reescrita de texto (sempre) Entrada: ad_text (original) + contexto do resumo (imagem/vídeo) + prompt_text Saída: rewritten_copy (3 variações, escolha 1 ou salve todas)

13. Google Sheets – Append Planilha: sheet_id Aba: sheet_tab Campos: id_hash, ad_url, tipo, page_name, page_url, country, likes, shares, comments, media_url, ad_text, subtitle, summary, rewritten_copy, status_media, processed_at={{$now}}, prompt_version, tags

14. Wait Time: 3–5s Motivo: Evitar rate limit e dar tempo para próximos itens

15. Loop

anúncios via Apify (ou API/HTTP request), aplicar filtros de qualidade, extrair dados essenciais (texto, imagens, vídeos, engajamento), usar IA em camadas para gerar resumos e copies reescritos, armazenar tudo em Google Sheets ou um DB vetorial, e usar esses outputs para criar imagens, roteiros UGC e novas campanhas. Hacks chave: filtrar antes de analisar, processar em batches com loop+wait, re-enfileirar vídeos em processing, usar embeddings para agrupar, e versionar prompts. Sempre monitorar custos e adicionar controle humano para calibrar.

TÓPICOS COM EXEMPLOS E PERGUNTAS/RESPOSTAS

1. Filtro de likes — Exemplo: >=1000 likes

• Pergunta: Qual filtro usar?
• Resposta: Comece em 500–1.000 para nichos com menos volume; 1.000+ para nichos competitivos. Ajuste por país.

2. Batch e wait — Exemplo: batch=15, wait=4s

• Pergunta: Por que usar wait?
• Resposta: Evita timeouts, limites de taxa e estourar a cota de API.

3. Retry para vídeos em processing — Exemplo: re-enqueue com backoff 5m→15m→1h

• Pergunta: Quantas tentativas?
• Resposta: 3–5 tentativas razoáveis; depois marcar como "pendente humano".

4. Economia de API — Exemplo: triagem com modelo barato, análise final com modelo caro

• Pergunta: Como reduzir custos sem perder qualidade?
• Resposta: Use modelos menores para filtro; só enviei top 5–10 para análise profunda.

5. Prompt exemplo para análise de imagem

• Exemplo de prompt: "Analise esta imagem [URL]. Diga: 1) 3 emoções principais; 2) público-alvo provável; 3) 3 ganchos de anúncio; 4) 2 motivos de conversão."
• Pergunta: Preciso de prompts diferentes por país?
• Resposta: Sim — adapte linguagem e referências culturais.

6. Organização do Google Sheets — Exemplo de colunas já citadas

• Pergunta: Vale usar Sheets ou DB?
• Resposta: Sheets para protótipo; DB + vector store para escala e buscas semânticas.

7. Geração automática de criativos — Exemplo: usar summary → gerar imagem com prompt: "Produto X em uso por mulher 25–35, lifestyle praia"

• Pergunta: Posso publicar diretamente?
• Resposta: Faça revisão humana para assegurar conformidade e qualidade.

8. Uso de embeddings — Exemplo: OpenAI embeddings + Pinecone cluster

• Pergunta: Para que serve agrupar por embedding?
• Resposta: Descobrir temas recorrentes e criar clusters de anúncios similares para insights de categoria.

9. Monitoramento de custos — Exemplo: alerta quando custo diário > X USD

• Pergunta: Como evitar surpresas de fatura?
• Resposta: coloque limites diários e alertas; teste com amostra antes de escalar.

10. Excalidraw automático — Exemplo: gerar JSON do fluxo e importar em Excalidraw

    • Pergunta: Serve para clientes?
    • Resposta: Sim — ótima para demos e documentação visual.

11. Handling de idiomas — Exemplo: detectar idioma do texto e chamar prompt local (pt/es/en)

    • Pergunta: E se anúncio em espanhol e público alvo Brasil?
    • Resposta: Detecte idioma e faça tradução contextual antes de gerar copy para o público alvo.

12. Segurança/Legal — Exemplo: manter referência da fonte, link e data de captura

    • Pergunta: Posso usar imagens como estão?
    • Resposta: Só para análise. Para redistribuir, valide direitos ou crie criativos originais baseados em insights.

13. Métrica de sucesso — Exemplo: definir score = likes_norm + shares2 + comentários1.5

    • Pergunta: Como priorizar o que analisar?
    • Resposta: Use um score ponderado por engajamento e recência.

14. Teste A/B de prompts — Exemplo: testar 3 variantes de prompt de reescrita e medir CTR em anúncios gerados

    • Pergunta: Como saber qual prompt funciona melhor?
    • Resposta: A/B com KPIs reais (CTR, CPA) em amostra controlada.

15. Observabilidade — Exemplo: log de cada item com prompt_version, model, latency, result_status

    • Pergunta: Preciso desses logs?
    • Resposta: Sim — essenciais para debug e otimização.

HACKS PRÁTICOS

1. Use variáveis de prompt centralizadas

• Coloque os prompts (análise imagem, análise vídeo, reescrita de copy) em uma configuração global e injete via variável nos nós.
• Exemplo: prompt_image_analysis = "Descreva emoção, público alvo, 3 ganchos e 2 motivos de conversão."

2. Filtre primeiro, analise depois (economia de API)

• Aplique filtros de qualidade (likes, shares, tempo de publicação) no scraping antes de enviar para IA.
• Ex.: só analisar anúncios com >= 1.000 likes e vídeo ativo.

3. Use loop + wait para grandes volumes

• Processar em lotes de 10–20 itens com wait (ex.: 5s) evita timeouts e estouro de cota.
• Ex.: batch_size=15, sleep=4s entre batches.

4. Detecte e reenqueue itens em "processing" automaticamente

• Se vídeo retorna status processing, coloque o item numa fila com retry exponencial (5m, 15m, 1h).
• Ex.: retry_count <= 5, backoff multiplicativo.

5. Deduplicação por hash e fingerprinting

• Gere hash da URL+texto para evitar processar o mesmo anúncio várias vezes.
• Ex.: md5(url + short_text) → skip se já existe no Sheets/Pinecone.

6. Cache local de metadados (evita re-scrape)

• Salve last_checked_at e etag; re-scrape apenas se mudou ou após X dias.
• Ex.: recheck_interval = 7 dias por anúncio.

7. Priorize vídeos ativos (maior ROI)

• Coloque pesos: vídeo ativo > carrossel > imagem estática. Use score para priorizar análises.

8. Enriquecimento com metadados (produto / loja)

• Extraia pistas: dominio do link, tags do store (Shopify), preço aparente, reviews. Ajuda segmentação.

9. Transforme insight em inputs para geração criativa automática

• Use o resumo e os 3 ganchos da IA como seed para gerar imagem (DALLE/Imagen) + roteiro UGC (vídeo curto).
• Ex.: prompt para imagem: "Criar mockup de produto X com lifestyle Y, close, fundo neutro."

10. Use embeddings para agrupar anúncios semelhantes

    • Gere embedding do resumo e agrupe por clusters; facilita detectar padrões vencedores e evitar redundância.
    • Ferramenta: Pinecone / Supabase vector.

11. Monitoramento e alertas de custo / erro

    • Configure alertas quando consumo de API ultrapassar limites diários ou quando taxa de erro > 5%.
    • Ex.: webhook para Telegram/Slack com resumo diário.

12. Templates de prompts com slots preenchíveis

    • Crie templates tipo: "Analisar imagem: [URL], objetivo: [conversão/engajamento], país: [BR]". Troque apenas slots.
    • Facilita A/B de prompts.

13. Use resposta multimodal em camadas (texto → imagem → vídeo)

    • Primeiro gere resumo; depois, com esse resumo, peça imagem; depois use imagem+resumo para roteiro/UGC. Fluxo encadeado.

14. Trate arquivos grandes de vídeo por extratos (clips)

    • Não analise vídeo inteiro; extraia frames-chave + transcrição dos primeiros 30s e frames do pico de engajamento.
    • Ex.: sample every 3s + first 30s transcript.

15. Controle de qualidade humano-aumentado (amostra)

    • Rotina: 5% dos itens aprovados pela IA vão para revisão humana para calibrar filtros e prompts.

16. Reduza custos com classes de modelos e truncagem inteligente

    • Use modelo mais barato para triagem e modelo topo de linha só para top-N candidatos.
    • Ex.: triagem com modelochat-small; análise profunda com gemini-advanced.

17. Organização de Sheets/DB pensando em automações posteriores

    • Colunas: id_hash, url_ad, tipo, likes, shares, summary, rewritten_copy, image_url, video_url, processed_at, status, tags.
    • Isso facilita reuso para geração de anúncios e automações downstream.

18. Versionamento dos prompts e logs de mudança

    • Armazene versão do prompt usado por item (prompt_v1, v2). Permite auditoria e rollback.

19. Gerar mapa visual automaticamente (Excalidraw)

    • Produza JSON do fluxo e injete em Excalidraw para apresentação ao cliente rapidamente.

20. Proteção legal e privacidade

    • Respeite direitos de uso: armazene apenas metadados e links, evite redistribuir criativos com copyright sem permissão; registre fontes.

RESUMO COMPLETO A automação deve primeiro obter

Resumo da Automação – Scraping de Anúncios do Meta Ads⌗

Como construir uma automação prática para identificar produtos vencedores a partir da biblioteca de anúncios do Facebook (Meta Ads).

Objetivo⌗

• Encontrar produtos ganhadores analisando anúncios já em circulação.
• Entender por que funcionam, analisando imagens, vídeos e textos.
• Economizar tempo e transformar o processo em algo escalável e visual (com Excalidraw).

Estrutura do Fluxo⌗

1. Trigger: pode ser manual ou agendado (ex: todos os dias às 9h).
2. Scraping com Apify: busca anúncios filtrando por termos (ex: Shopify, país, likes mínimos).
3. Filtragem: só passam anúncios que atendem a critérios de qualidade (ex: >1000 likes).
4. Extração de dados: textos, subtítulos, perfis, URLs de imagens e vídeos.
5. Análise com IA (Gemini/OpenAI):

• Gera resumos.
• Reescreve copies.
• Analisa vídeos, imagens e textos em detalhe. 6. Gestão de erros: se o vídeo está em “processing”, o sistema espera e reexecuta. 7. Armazenamento em Google Sheets: centraliza todos os dados, resumos e copies reescritos. 8. Escalabilidade: a partir das descrições e análises, pode-se gerar novos anúncios, criativos ou até vídeos UGC automáticos.

Ferramentas Usadas⌗

• n8n (motor de automação).
• Apify (scraping da biblioteca Meta Ads).
• Gemini + OpenAI (análise de mídia e texto).
• Google Sheets (armazenamento).
• Excalidraw (mapa visual do fluxo).

Insights e Boas Práticas⌗

• Usar variáveis de configuração para prompts economiza tempo.
• O loop + wait evita que a automação quebre com muitos anúncios.
• Aplicar filtros de qualidade melhora a confiabilidade.
• Guardar resumos e copies em Sheets permite reutilização em novas campanhas.
• Com os outputs, é possível gerar imagens, criativos e vídeos automáticos de novos produtos.

Ensina a criar uma automação completa para encontrar produtos virais a partir da biblioteca de anúncios do Meta Ads, filtrando por qualidade e analisando automaticamente imagens, vídeos e textos com IA (Gemini / OpenAI).

O que a automação entrega⌗

• Identificar anúncios e produtos que já estão performando.
• Economizar horas de pesquisa manual.
• Obter análises detalhadas de criativos e copies.
• Gerar resumos e textos reescritos prontos para usar.
• Centralizar dados em Google Sheets.
• Escalar o processo com triggers automáticos.

Estrutura do fluxo⌗

1. Trigger: manual ou agendado.
2. Scraping (Apify): busca anúncios em Meta Ads com filtros (ex: Shopify, país, likes mínimos).
3. Filtragem: elimina anúncios fracos ou indisponíveis.
4. Extração de dados: textos, subtítulos, perfis, links de imagens e vídeos.
5. Análise com IA: geração de resumos e novos copies.
6. Gestão de erros: reprocessa anúncios em “processing”.
7. Armazenamento: tudo em Google Sheets.
8. Escalado: reutilizar dados para novos conteúdos e criativos com IA.

Ferramentas usadas⌗

• n8n (motor de automação)
• Apify (scraping)
• Gemini / OpenAI (análise de mídia e texto)
• Google Sheets (armazenamento)
• Excalidraw (mapa visual do fluxo)

Dicas-chave⌗

• Variáveis em prompts economizam tempo.
• Usar loop + wait para grandes volumes.
• Filtros de qualidade garantem resultados confiáveis.
• Guardar resumos e copies em Sheets facilita a reutilização.
• Controlar status de vídeos evita falhas no fluxo.

🤑 Encontre produtos virais de forma automática

Querem encontrar produtos vencedores para vender no seu ecommerce...?

Um sistema que vai transformar vocês em verdadeiros caçadores de produtos virais ⚡

Uma automação que:

• ✅ Faz scraping no Meta Ads sem esforço e detecta produtos vencedores.
• ✅ Filtra automaticamente os anúncios que têm interações reais (curtidas, compartilhamentos, comentários).
• ✅ Analisa com IA (Gemini + OpenAI) imagens, vídeos e copies para entender o que faz eles funcionarem.
• ✅ Guarda tudo no Google Sheets, pronto para usar em suas próprias campanhas ou apresentações.
• ✅ Além disso, um truque para transformar o fluxo em um mapa visual com Excalidraw, perfeito para mostrar processos a clientes ou equipe.

O melhor: isso não é teoria, é prático e acionável. Literalmente, vocês poderão:

• Identificar o que já está vendendo no seu nicho.
• Se inspirar para criar suas próprias campanhas.
• Economizar horas de pesquisa manual e ir direto para a execução.
• Construir uma base de dados de anúncios e produtos virais pronta para escalar.

👉 E fiquem atentos, porque não para por aí. Dá para pegar esses produtos vencedores e fechar o ciclo:e vai gerar uma imagem top do produto com IA e um vídeo UGC automático, como já vimos em aulas anteriores 🔥 Ele vai subir isso em outro vídeo 🔥

Isso significa que vocês terão um sistema completo end-to-end: desde descobrir produtos que funcionam → até ter criativos prontos para lançar em campanhas.

Isso é ouro puro se você é agência, SaaS, ecom ou consultor e quer acelerar sua pesquisa e produção de conteúdo.

apify.com ↗

e50 - Ache Produtos virais Automática

chatgpt.com ↗

1