Guía avanzada
Técnicas de Scraping Sigiloso
Evada los sistemas de detección anti-bots con huellas digitales avanzadas del navegador, rotación de IP, suplantación de user-agent y estrategias de gestión de CAPTCHA.
Uso de la herramienta stealth_mode
Huellas digitales del navegador
Rotación de IP y proxies
Gestión de CAPTCHA
Aviso legal: Respete siempre robots.txt y los términos de servicio del sitio web. Use las técnicas de sigilo de forma responsable y solo con fines legítimos. Violar los términos de servicio o hacer scraping de contenido protegido puede tener consecuencias legales.
1. Uso de la herramienta stealth_mode
La herramienta stealth_mode aplica automáticamente técnicas anti-detección que incluyen la aleatorización de huellas digitales, la suplantación de WebRTC y el ruido de canvas.
Básico (3 credits)
Rotación de user-agent, suplantación básica de encabezados
Úselo para: sitios con poca protección, scrapers sencillos
Medio (3 credits)
Básico + aleatorización de huellas digitales, protección contra fugas de WebRTC
Úselo para: la mayoría de sitios comerciales, protección moderada
Avanzado (3 credits)
Medio + ruido de canvas, suplantación de WebGL, aleatorización de zona horaria
Úselo para: sitios con alta protección, Cloudflare, Akamai
Scraping sigiloso básico
3 credits
Bash
Avanzado: sigilo + proxy + encabezados personalizados
Typescript
2. Huellas digitales del navegador
Los sistemas anti-bots usan las huellas digitales del navegador para detectar navegadores automatizados. Aleatorice las huellas digitales para evitar la detección.
User-Agent
Versión del navegador, sistema operativo, tipo de dispositivo
Huella de canvas
Firma de renderizado única
WebGL
Proveedor/renderizador de la tarjeta gráfica
WebRTC
Fugas de dirección IP local
Resolución de pantalla
Dimensiones de la pantalla
Zona horaria y configuración regional
Indicadores de ubicación geográfica
Fuentes
Lista de fuentes instaladas
Complementos
Extensiones del navegador detectadas
Cómo ayuda CrawlForge: La herramienta
stealth_mode aleatoriza automáticamente todas estas señales de huellas digitales, haciendo que cada solicitud parezca provenir de un navegador real único.3. Rotación de IP y proxies
Use proxies rotativos para distribuir las solicitudes entre distintas direcciones IP.
- Proxies de centro de datos
- ✅ Rápidos (latencia de 50-150 ms)
- ✅ Económicos ($1-5/GB)
- ❌ Fáciles de detectar
- ❌ Mayor tasa de bloqueo
- Ideales para: sitios con poca protección, scraping de alto volumen
- Proxies residenciales (recomendados)
- ✅ IP de usuarios reales (difíciles de detectar)
- ✅ Baja tasa de bloqueo
- ⚠️ Más lentos (latencia de 200-500 ms)
- ⚠️ Costosos ($5-15/GB)
- Ideales para: sitios con alta protección, comercio electrónico, redes sociales
- Proxies móviles
- ✅ Mayor tasa de éxito (IP 4G/5G)
- ✅ Casi indetectables
- ❌ Muy costosos ($50-100/GB)
- ❌ Los más lentos (latencia de 300-1000 ms)
- Ideales para: sigilo máximo, objetivos premium
Estrategia de rotación de IP
Typescript
4. Gestión de CAPTCHA
Estrategias para lidiar con los desafíos de CAPTCHA.
- Evite que se activen los CAPTCHA
- Use el modo sigiloso, rote las IP, respete los límites de tasa y añada retrasos aleatorios (2-5 segundos entre solicitudes)
- ✅ La mejor estrategia: prevenir es más fácil que resolver
- Use servicios de resolución de CAPTCHA
- Integre con 2Captcha, Anti-Captcha o DeathByCaptcha ($1-3 por cada 1,000 CAPTCHA)
- ⚠️ Añade costo y latencia (10-30 segundos)
- Busque fuentes de datos alternativas
- Busque APIs, fuentes RSS, mapas de sitio o sitios asociados sin CAPTCHA
- ✅ La solución más fiable a largo plazo
- Intervención manual
- Ponga los desafíos de CAPTCHA en una cola para que los resuelvan operadores humanos
- ❌ Solo viable para scraping de bajo volumen
Recomendación: Si se encuentra con CAPTCHA de forma constante, está haciendo scraping de manera demasiado agresiva. Reduzca el ritmo, rote las IP con mayor frecuencia y use niveles de sigilo más altos antes de recurrir a servicios de resolución de CAPTCHA.
Resumen de mejores prácticas
- Comience siempre con el nivel "medium" de
stealth_mode - Use proxies residenciales para sitios con alta protección
- Rote los proxies cada 10-20 solicitudes
- Añada retrasos aleatorios entre solicitudes (2-5 segundos)
- Haga coincidir la geolocalización con la ubicación del proxy (use la herramienta
localization) - Respete robots.txt y los límites de tasa
- Supervise las tasas de bloqueo y ajuste la estrategia en consecuencia
Próximos pasos
Continúe aprendiendo con más guías