Alguien te envía un enlace a un directorio con 900 entradas y te pide que lo pases a una hoja de cálculo para mañana.
Podrías programar un rastreador. También podrías copiar y pegar durante tres horas. O podrías instalar una extensión gratuita de Chrome, hacer cuatro clics y tener un archivo CSV en noventa segundos.
Instant Data Scraper, creado por WebRobots, es la tercera opción. Analiza la página en la que te encuentras, identifica qué parte de ella contiene los datos y exporta el resultado a CSV o Excel. No hace falta crear una cuenta, ni escribir código, ni pagar nada.
También es la herramienta que la mayoría de la gente deja de usar en menos de un mes, y los motivos son lo suficientemente recurrentes como para predecirlos.
Esta guía explica qué hace la extensión, cómo usarla correctamente, los cinco casos concretos en los que deja de funcionar y qué soluciones hay que buscar en cada uno de ellos.
Publicamos esto como Geonode, un proveedor de proxies residenciales. Los proxies son relevantes para uno de los cinco puntos de fallo que se indican a continuación, y el artículo explica cuál; para los otros cuatro, la solución es una herramienta completamente diferente.
Qué hace realmente Instant Data Scraper
La extensión resuelve un problema concreto: convertir las estructuras repetitivas de una página web en filas de una hoja de cálculo.
La mayoría de los datos de la web siguen patrones: cuadrículas de productos, resultados de búsqueda, listados de directorios, hilos de comentarios, tablas de precios. Cada elemento comparte la misma estructura HTML que los que lo rodean. Instant Data Scraper busca esas estructuras repetitivas y deduce que son los datos que te interesan.
No tienes que escribir selectores. No tienes que abrir las herramientas de desarrollador. La extensión hace una suposición, te muestra una vista previa de la tabla y tú puedes aceptarla o indicarle que seleccione otro bloque de la página.
Qué incluye
Detección automática. La extensión analiza la página y propone qué extraer, lo que elimina el paso que frena a la mayoría de los usuarios que no son desarrolladores.
Gestión de la paginación. Señala el botón «página siguiente» y la extensión recorre la secuencia por sí sola, añadiendo filas a medida que avanza.
Desplazamiento infinito. En el caso de páginas que cargan más contenido a medida que te desplazas, en lugar de utilizar la paginación, la extensión puede seguir desplazándose y recopilando datos.
Control de columnas. Renombra columnas, oculta las que no desees y aplica filtros antes de exportar.
Exportación a CSV y Excel. Directamente a XLS, XLSX o CSV.
Gratuito, sin niveles de servicio. Sin cuenta, sin periodo de prueba, sin límite de filas. Esto es tan poco habitual que merece la pena destacarlo claramente.
Lo que no es
No es un programador: no puede ejecutarse por la noche de forma autónoma. No es una API: ningún servicio posterior puede llamarla. No es un rastreador: funciona en la página que estás viendo, no en todo un sitio web. Y no resuelve el bloqueo, porque utiliza tu propia conexión.
Cómo utilizarlo en cuatro pasos
1. Abre la página que contiene los datos
Accede a la página del anuncio en sí, no a la página de inicio del sitio web. Si los datos se encuentran tras una búsqueda, realiza primero la búsqueda. Si hay que iniciar sesión con tus datos de acceso válidos, hazlo primero; la extensión ve lo mismo que ve tu navegador.
Ajusta el tamaño de la página al máximo que permita el sitio web antes de empezar. Un sitio que ofrezca «100 por página» en lugar de «20» reduce tu trabajo de paginación en cuatro quintas partes.
2. Abre la extensión y comprueba la sugerencia
Haz clic en el icono de la extensión. Esta escanea la página y muestra una tabla de vista previa.
La suposición suele ser correcta en la mayoría de los casos con diseños convencionales. Cuando es errónea, normalmente es porque ha detectado un menú de navegación o una barra lateral en lugar del contenido principal; la extensión ofrece otras tablas detectadas, así que ve revisándolas una a una hasta que la vista previa coincida con lo que realmente quieres.
Comprueba la vista previa con atención antes de continuar. Confirma que el número de filas sea plausible, que las columnas estén alineadas y que nada se haya desplazado una posición. Detectar ahora una desalineación te ahorra tener que volver a ejecutar todo el proceso.
3. Configurar la paginación o el desplazamiento
Para sitios web paginados, utiliza el control «Localizar siguiente» y haz clic en el botón de página siguiente propio del sitio. La extensión registra ese elemento y lo reutiliza.
Para el desplazamiento infinito, cambia al modo de desplazamiento.
Establece deliberadamente el retraso entre páginas. El valor predeterminado es rápido. Aumentarlo a dos o tres segundos es el cambio más valioso que puedes realizar: reduce drásticamente la probabilidad de que se aplique una limitación de velocidad a mitad del proceso y, en un trabajo de 40 páginas, solo te costará dos minutos.
4. Ejecutar y exportar
Inicia el rastreo y no toques la pestaña. La extensión necesita que la página esté abierta y activa; cambiar de pestaña o poner el ordenador en suspensión puede interrumpirlo.
Cuando termine, renombra y elimina columnas, y luego exporta a CSV o XLSX.
Comprueba el resultado antes de utilizarlo. Compara el recuento de filas con lo que indica el sitio web, comprueba aleatoriamente algunas filas con la página en vivo y fíjate especialmente en la última página: el truncamiento suele aparecer al final.
En qué destaca
Ser preciso a la hora de definir el punto óptimo resulta más útil que una lista de características.
Extracciones puntuales. Una única lista que necesitas hoy, por una sola vez. El tiempo de configuración es inferior a un minuto, algo que ningún enfoque basado en scripts puede igualar.
Diseños convencionales. Tablas generadas por el servidor, cuadrículas de productos, listados de directorios, resultados de búsqueda… cualquier cosa con una estructura clara y repetitiva.
Volúmenes pequeños y medianos. Se maneja con soltura hasta unos pocos miles de filas repartidas en unas pocas docenas de páginas.
Usuarios sin conocimientos técnicos. Este es el verdadero valor. Alguien que nunca haya abierto un terminal puede extraer datos estructurados de una página web en cuestión de minutos, lo que elimina un cuello de botella que, de otro modo, recaería sobre un desarrollador.
Trabajo exploratorio. Antes de dedicar tiempo de ingeniería a un rastreador, la extensión responde a la pregunta «¿tienen estos datos realmente la forma que creo que tienen?» en noventa segundos.
Si tu trabajo se ajusta a esta descripción, deja de leer aquí: la extensión es la respuesta correcta y todo lo que viene a continuación trata de problemas que tú no tienes.
Dónde falla
Cinco puntos de fallo, en el orden en que la mayoría de la gente se encuentra con ellos.
1. Volumen
La extensión se ejecuta en tu navegador a la velocidad de este, una página cada vez. Unas pocas docenas de páginas no suponen ningún problema. Unos cuantos miles significan dejar una pestaña abierta durante horas sin posibilidad de reanudar el proceso correctamente si se detiene.
No hay paralelismo, ni cola, ni punto de control. Un rastreo que se interrumpe en la página 300 de 400 suele significar tener que empezar de nuevo.
2. Limitación de frecuencia y bloqueos
Este es el punto en el que los proxies son la verdadera solución, por lo que le dedicamos más espacio.
Cada solicitud se envía desde tu propia dirección IP. Los sitios que controlan las tasas de solicitud ven una dirección que realiza solicitudes constantes, a intervalos regulares y estructuralmente idénticas, lo cual no se corresponde con la navegación humana.
Lo que suele seguir es un CAPTCHA, luego una limitación de velocidad y, a continuación, un bloqueo temporal. En un sitio web importante para tu negocio, que se marque la IP de tu oficina supone un coste real.
Reducir la velocidad ayuda y es lo primero que hay que probar. A partir de cierto volumen, deja de ser suficiente, porque el problema no es la velocidad, sino que todas las solicitudes provienen de una misma dirección. Lo que realmente lo soluciona es distribuir las solicitudes entre muchas direcciones, y eso implica utilizar un proxy, algo que una extensión de navegador no puede hacer para cada solicitud.
3. Programación
La extensión no puede ejecutarse por sí sola. Si necesitas los precios cada mañana a las seis, alguien tiene que abrir un navegador y hacer clic. Cualquier tarea recurrente necesita un rastreador programado o un servicio alojado.
4. Estructuras complicadas
La detección automática da por sentado un patrón repetitivo. Le cuesta lidiar con datos dispersos por una página en lugar de aparecer en una lista, con contenido oculto tras interacciones como pestañas y acordeones, con páginas de detalles que deben visitarse una por fila, y con interfaces muy dependientes de JavaScript que organizan el contenido de formas inusuales.
Tampoco puede seguir un enlace desde una lista a una página de detalles y volver —un requisito muy común y un obstáculo insuperable—.
5. Integración
El resultado es un archivo que descarga una persona. Si un proceso, un panel de control o un modelo necesita los datos, alguien tiene que trasladar ese archivo cada vez. No hay API ni webhook.
Alternativas que conviene conocer
Elige la herramienta adecuada en función del obstáculo con el que te topes.
Otras extensiones de navegador
Existen varias extensiones que cubren un ámbito similar; algunas incorporan detección de campos asistida por IA o ejecuciones en la nube. Merece la pena probarlas si tu problema específico es la detección, pero comparten las mismas limitaciones fundamentales: tu navegador, tu IP y tus clics.
Cambiar de extensión resuelve los problemas de detección. No resuelve el volumen, la programación, los bloqueos ni la integración.
Aplicaciones de extracción visual
Las herramientas de escritorio y en la nube con generadores de «apuntar y hacer clic» están un nivel por encima. Gestionan flujos de varios pasos, visitas a páginas de detalles y ejecuciones programadas en la nube. La mayoría son de pago.
Este es el paso adecuado cuando tu estructura es demasiado compleja para la detección automática, pero aún así no quieres escribir código.
Escribir tu propio código
Python con requests y BeautifulSoup cubre las páginas renderizadas por el servidor. Playwright o Selenium gestionan sitios con mucho JavaScript. Scrapy gestiona el rastreo a gran escala con reintentos y concurrencia integrados.
Esta es la opción más flexible, pero también la que más trabajo requiere. Merece la pena cuando se trata de una tarea recurrente, ya que la escribes una vez y se ejecuta indefinidamente.
API de scraping
Servicios que aceptan una URL y devuelven datos analizados, gestionando la rotación y la representación del lado del servidor. A cambio del coste por solicitud, te ahorras el mantenimiento de la infraestructura.
Es una buena opción cuando quieres datos sin tener que ocuparte de la infraestructura.
Proxies con tu propio código
Mantienes el control del rastreador y rediriges las solicitudes a través de direcciones rotativas. Requiere más trabajo que una API, resulta más barato a gran escala y tú controlas la lógica.
Esta es la opción por la que se decantan la mayoría de los equipos cuando una tarea de rastreo se convierte en permanente.
Ir más allá de la extensión
Cuando una tarea puntual se convierte en una tarea recurrente, la naturaleza del problema cambia.
Reconocer el momento
Actúa cuando se cumpla cualquiera de estas condiciones: la tarea se ejecuta más de una vez, supera los unos cientos de páginas, te han limitado la velocidad, el resultado alimenta algún proceso automatizado o la estructura requiere seguir enlaces a páginas de detalle.
Cómo sería sustituirla
Una versión básica en script de lo que hace la extensión:
import time
import requests
from bs4 import BeautifulSoup
proxies = {
"http": "http://USERNAME:PASSWORD@proxy.geonode.io:9000",
"https": "http://USERNAME:PASSWORD@proxy.geonode.io:9000",
}
rows = []
for page in range(1, 41):
r = requests.get(
f"https://example.com/listings?page={page}",
proxies=proxies,
timeout=30,
)
if r.status_code != 200:
print(f"page {page}: HTTP {r.status_code}")
continue
soup = BeautifulSoup(r.text, "html.parser")
for item in soup.select(".listing-item"):
rows.append({
"title": item.select_one(".title").get_text(strip=True),
"price": item.select_one(".price").get_text(strip=True),
})
time.sleep(2)
print(f"collected {len(rows)} rows")
. Unas treinta líneas, y ofrece lo que la extensión no puede: se ejecuta de forma autónoma, se reanuda desde una página conocida y distribuye las solicitudes entre muchas direcciones en lugar de saturar una sola.
Cuánto cuestan los proxies a esta escala
El scraping de texto es ligero. Una página HTML sin imágenes suele tener entre 50 y 200 KB, por lo que diez mil páginas suponen entre 1 y 2 GB.
A la tarifa inicial de [Geonode
](https://geonode.com/pricing) de 0,79 dólares por GB, eso supone aproximadamente entre 1 y 2 dólares para todo el trabajo; además, las cuentas nuevas obtienen 1 TB gratis, lo que cubre un gran número de trabajos de ese tamaño antes de que haya que pagar nada. Las tarifas bajan a 0,50 dólares por GB a partir de los 100 GB y a 0,27 dólares a partir de 1 TB.
Siendo sinceros: con diez mil páginas, el coste es insignificante en cualquier caso, y la razón para cambiar es la fiabilidad, no el precio. El precio empieza a tener importancia cuando se trata de millones de páginas —y ahí es también donde las tarifas por GB de los distintos proveedores, que oscilan entre 0,79 y 7,00 dólares, se traducen en una cantidad de dinero considerable.
Mantén la extensión instalada
Incluso cuando ya tengas un flujo de trabajo consolidado, la extensión sigue siendo útil precisamente para lo que mejor sabe hacer: comprobar si merece la pena desarrollar una nueva fuente antes de escribir una sola línea de código.
No traspasar los límites
La extensión facilita la recopilación de datos, lo que hace que sea fácil pasar por alto la cuestión de si deberías hacerlo.
Lee las condiciones de uso. Muchos sitios web restringen explícitamente la recopilación automatizada. El hecho de que una herramienta sea gratuita y fácil de usar no cambia lo que aceptaste al utilizar el sitio web.
Da prioridad a los datos públicos. Los listados, precios y especificaciones visibles públicamente son mucho más seguros que cualquier información protegida por un inicio de sesión o cualquier dato personal. No recopiles información personal sobre individuos sin una base legal.
Respeta la capacidad del sitio web. Incluso cuando la recopilación está permitida, las tasas de acceso excesivas degradan el servicio para sus usuarios reales. Los retrasos entre solicitudes son una cortesía que, además, te permite seguir teniendo acceso sin bloqueos.
Consulta robots.txt. No es un instrumento legal, pero te indica cuáles son las preferencias del operador, e ignorarlo socava cualquier argumento de buena fe que puedas esgrimir más adelante.
Los derechos de autor siguen siendo aplicables. Los hechos no suelen estar protegidos; el contenido creativo sí. Extraer precios no es lo mismo que volver a publicar artículos.
La jurisdicción varía. Las normas difieren según el país y pueden depender de dónde operes, dónde se encuentre tu infraestructura y dónde se encuentren los interesados. Para trabajos de importancia comercial, busca asesoramiento específico para tu situación.
Preguntas frecuentes
¿Instant Data Scraper es gratuito?
Sí. La extensión de Chrome es gratuita, con todas las funciones disponibles y sin planes de pago ni límites de uso, algo poco habitual en esta categoría. No es necesario crear una cuenta ni hay periodo de prueba.
¿Funciona en todas las páginas web?
No. Funciona bien en páginas con estructuras claras y repetitivas: tablas, cuadrículas de productos, resultados de búsqueda y listados de directorios. Tiene dificultades con los datos dispersos por la página en lugar de estar ordenados, con el contenido oculto tras pestañas o acordeones, y con los sitios que requieren seguir enlaces a páginas de detalle y volver atrás.
¿Por qué se detuvo mi extracción a mitad de camino?
Normalmente se debe a la limitación de velocidad. Todas las solicitudes proceden de tu propia dirección IP a un ritmo constante, similar al de una máquina, y muchos sitios web limitan o bloquean ese patrón. Aumentar el retraso entre páginas a dos o tres segundos soluciona la mayoría de los casos. Más allá de un determinado volumen, la solución consiste en distribuir las solicitudes entre varias direcciones, algo que una extensión de navegador no puede hacer.
¿Puedo programarlo para que se ejecute automáticamente?
No. La extensión necesita que haya una pestaña del navegador abierta y que una persona la inicie. Las tareas recurrentes requieren un rastreador programado mediante scripts o un servicio de rastreo alojado.
¿El uso de la extensión provocará que mi IP sea bloqueada?
Es posible, en sitios web que supervisan activamente las tasas de solicitud. El riesgo aumenta con el volumen y la velocidad. Si el sitio web es importante para tu negocio, sé prudente con los retrasos: que la dirección de tu oficina sea marcada como sospechosa supone un coste real.
¿Cuándo debería cambiar a otra solución?
Cuando la tarea se repita, supere unos pocos cientos de páginas, ya haya activado la limitación de frecuencia, alimente un sistema automatizado o necesite seguir enlaces a páginas de detalle. Cualquiera de estas situaciones es un motivo razonable para cambiar.
¿Necesito proxies para una extensión de navegador?
No, y de todos modos no puedes utilizarlos por solicitud con una extensión. Los proxies cobran relevancia cuando pasas a utilizar un rastreador basado en scripts, que es también el momento en el que el bloqueo suele convertirse en el principal problema.
Conclusión
Instant Data Scraper destaca especialmente en una tarea: convertir una página estructurada en una hoja de cálculo, de forma gratuita, en menos de un minuto y sin necesidad de programar. Para una extracción puntual de un listado convencional, no hay nada que lo supere en cuanto a rapidez a la hora de obtener resultados.
Tiene cinco limitaciones, y son previsibles. El volumen, porque funciona a la velocidad del navegador, procesando una página cada vez. La limitación de frecuencia, ya que cada solicitud se envía desde tu propia dirección. La programación, porque requiere la intervención de una persona y una pestaña abierta. La estructura, porque la detección automática asume patrones repetitivos y no puede seguir enlaces a páginas de detalle. La integración, porque el resultado es un archivo, no un punto final.
La limitación con la que te topes determinará a qué alternativa recurrir. Los problemas de detección apuntan a una extensión diferente o a un rastreador visual. La programación y la estructura apuntan a crear tu propio rastreador. La integración apunta a una API de rastreo. El bloqueo es el caso en el que los proxies son la solución, porque el problema subyacente no es la velocidad, sino el hecho de que todas las solicitudes provienen de una única dirección.
Y cuando das el paso, las cifras son menores de lo que la mayoría de la gente espera: diez mil páginas de texto equivalen aproximadamente a 1-2 GB, lo que supone un par de dólares a las tarifas básicas y está ampliamente dentro de una asignación gratuita. A esa escala, la razón para dar el paso es la fiabilidad, no el coste.
Lo más recomendable es mantener ambas opciones. La extensión para el reconocimiento —¿merece la pena desarrollar a partir de esta fuente?— y el proceso para todo lo que tenga que ejecutarse dos veces.
