ES
Empezar

Glosario

Redes

Balanceador de carga

Infraestructura que reparte las peticiones entrantes entre muchos servidores internos, una forma de proxy inverso con la que te encuentras desde fuera al hacer scraping.

Un balanceador de carga reparte el tráfico entrante entre un grupo de servidores backend para que ninguna máquina se sature y el servicio sobreviva a la caída de cualquiera de ellas. Es un trabajo concreto dentro de la familia de los proxies inversos: colocarse delante de la infraestructura de una web, atender las peticiones y pasar cada una al backend que esté sano y menos ocupado. Si una web sigue funcionando mientras se reinician servidores sueltos detrás, normalmente es gracias a un balanceador de carga.

Te lo encuentras desde fuera, y por eso vale la pena conocerlo más allá de la curiosidad del lado del servidor. Cuando te conectas a una web grande, casi siempre hablas con su balanceador de carga y no con una máquina de origen, y el balanceador suele llevar las mismas funciones de borde que un proxy inverso: terminación TLS, comprobaciones de estado y a menudo el límite de peticiones y las reglas de bots que deciden si tu petición sigue adelante. Un rechazo puede originarse aquí, antes de que intervenga ningún servidor de aplicaciones.

También explica un comportamiento que confunde a los scrapers: una aparente incoherencia entre peticiones idénticas. Como las peticiones sucesivas pueden ir a backends distintos con un estado o un contenido de caché ligeramente distintos, la misma URL puede devolver respuestas un poco diferentes con momentos de diferencia, y una sesión que da por hecho que siempre habla con la misma máquina puede llevarse una sorpresa. Es algo distinto de una variación deliberada; simplemente se transparenta el grupo de servidores.

El término se solapa mucho con proxy inverso y CDN, y la distinción honesta es de énfasis. Un proxy inverso es la categoría general; el balanceo de carga es una de sus funciones, junto a la caché y el filtrado; una CDN es ese modelo gestionado a escala geográfica. Un balanceador de carga dedicado puede limitarse a repartir, mientras que la mayoría de los proxies inversos y todas las CDN balancean la carga como parte de un trabajo mayor. Para un scraper la conclusión práctica es la misma: lo que te responde es infraestructura delante de la web, y a menudo es eso, y no la web, lo que decide tu suerte.

Preguntas frecuentes

¿Un balanceador de carga es lo mismo que un proxy inverso?

El balanceo de carga es uno de los trabajos de un proxy inverso, así que todo balanceador de carga se parece a un proxy inverso, aunque no todo proxy inverso sea solo un balanceador. Un proxy inverso también guarda en caché, termina TLS y filtra el tráfico; un balanceador de carga dedicado puede limitarse a repartir las peticiones entre backends. Se solapan tanto que el mismo software suele cumplir los dos papeles.

¿Por qué una web detrás de un balanceador de carga me da resultados incoherentes?

Porque las peticiones sucesivas pueden llegar a servidores backend distintos cuya caché o estado difieren un poco, así que peticiones idénticas devuelven respuestas un poco distintas. Nadie lo hace a propósito contra ti; simplemente se transparenta el grupo de servidores. Un código que da por hecho que siempre habla con la misma máquina puede confundir esto con un error o un bloqueo.

¿Puede un balanceador de carga bloquear mi scraper?

A menudo es él quien lo hace. Colocado delante del origen, un balanceador de carga suele aplicar las mismas funciones de borde que un proxy inverso, incluidos el límite de peticiones y las reglas de bots, así que un rechazo puede ocurrir ahí antes de que ningún servidor de aplicaciones vea tu petición. Por eso también los logs de la propia web pueden no mostrar nada de una petición rechazada en el balanceador.

Volver al glosario completo.

HProxy.

No te fíes solo de nuestra palabra. Mídelo tú mismo.

Funciona en tu navegador contra la dirección real. Sin registro y sin guardar ninguna lista.

HProxy