Navegador sin interfaz
Un navegador real que funciona sin ventana visible, usado para renderizar en automatizaciones páginas con mucho JavaScript.
Un navegador headless es un navegador completo, Chrome o Firefox, que funciona sin la ventana gráfica que vería una persona. Renderiza las páginas exactamente como un navegador real, ejecuta su JavaScript y construye el mismo DOM, pero lo maneja código en vez de una persona, y por eso es la herramienta para hacer scraping de webs que una petición HTTP simple no puede leer.
El problema es que el modo headless deja rastros. Históricamente el propio indicador headless era detectable, e incluso hoy una instancia headless suele carecer de los plugins, las peculiaridades exactas de renderizado y los patrones de interacción de una sesión de usuario auténtica, y la huella del navegador puede detectar todo eso.
Así que un navegador headless es necesario para renderizar y no basta para pasar desapercibido. Se combina con un proxy residencial para arreglar la delación de red y con la gestión de la huella y del comportamiento para arreglar el resto.
El coste se suele subestimar, y con la facturación por gigabyte es lo que hunde un presupuesto sin que se note. Un navegador descarga la página como lo hace un navegador: cada imagen, fuente, hoja de estilos, script de seguimiento y precarga de vídeo. Una página de producto cuyos datos útiles son cincuenta kilobytes de HTML puede bajar dos o tres megabytes en total. Multiplica eso por un trabajo grande con ancho de banda residencial y lo que estás pagando en la factura es el navegador.
Es más pesado en todas las demás dimensiones. Una instancia de navegador headless consume cientos de megabytes de memoria y CPU de verdad, mientras que una petición HTTP casi no consume nada, así que la concurrencia que puedes mantener en la misma máquina cae un orden de magnitud. Esa limitación suele importar más que la diferencia de velocidad por petición.
Por eso la primera pregunta que vale la pena hacerse es si necesitas uno. Muchísimas páginas que parecen renderizadas con JavaScript se alimentan de un endpoint JSON al que llama la propia página, y llamar directamente a ese endpoint devuelve los mismos datos con una fracción del tamaño y sin renderizar. Encontrarlo en la pestaña de red suele ser la hora más rentable de un proyecto de scraping.
Cuando de verdad necesites renderizar, bloquea lo que no vayas a analizar. Todos los frameworks de automatización importantes pueden interceptar peticiones por tipo de recurso, y rechazar imágenes, fuentes, multimedia y hojas de estilos reduce muchísimo el ancho de banda y deja intacto el DOM que buscabas.
Preguntas frecuentes
¿Necesito un navegador headless para hacer scraping?
Solo cuando los datos no existen de verdad hasta que se ejecuta JavaScript, algo menos frecuente de lo que parece. Comprueba si la página se alimenta de un endpoint JSON al que puedes llamar directamente, porque devuelve los mismos datos mucho más ligeros y rápidos sin renderizar nada. Recurre a un navegador cuando hayas confirmado que no hay una vía más sencilla.
¿Cómo reduzco el ancho de banda al usar un navegador headless?
Intercepta las peticiones y bloquea los tipos de recurso que no vayas a analizar: imágenes, multimedia, fuentes y normalmente hojas de estilos. Todos los frameworks importantes lo admiten. Suele reducir el peso de la página un orden de magnitud y deja intacto el DOM, algo que importa muchísimo con la facturación residencial por gigabyte.
¿Pueden las webs detectar un navegador headless?
Sí, y tratarlo como un navegador real invisible es el error habitual. Más allá del antiguo indicador headless, una instancia suele diferir en las propiedades que expone, los plugins y fuentes presentes, el comportamiento de renderizado y, sobre todo, la ausencia total de interacción humana: ni movimiento del ratón, ni desplazamiento, ni pausas de lectura. El comportamiento lo delata con más fiabilidad que cualquier propiedad aislada.
¿Un navegador headless es más lento que las peticiones HTTP?
Muchísimo, en tiempo y en recursos. Descarga y renderiza una página entera en lugar de bajar un documento, y cada instancia consume cientos de megabytes de memoria y CPU de verdad. La consecuencia práctica es que la concurrencia que puedes mantener en una máquina cae más o menos un orden de magnitud.
Volver al glosario completo.

