ES
Empezar

Glosario

Scraping y automatización

Renderizado de JavaScript

El proceso por el que las páginas construyen su contenido en el navegador después de cargar, que decide si descargar el HTML te da datos o una carcasa vacía.

La petición sale bien, llega el HTML, y los datos no están. Abre la misma página en un navegador y está todo. No ha fallado nada: la web renderiza en el cliente, es decir, el documento que descargaste es un escenario casi vacío, y el contenido lo construye después de cargar un JavaScript que descarga los datos y los escribe en la página. Tu cliente HTTP recibió exactamente lo que recibió el navegador; después el navegador hizo un trabajo que tu cliente no hace.

Qué arquitectura usa una web es la primera pregunta de diagnóstico de cualquier scraping, y se responde en segundos. El código fuente del navegador muestra el documento tal como se entregó; el inspector de elementos de las herramientas para desarrolladores muestra el árbol después de ejecutar los scripts. Si el precio está en el segundo y no en el primero, estás ante un renderizado en el cliente. La pestaña de red muestra después el dato más útil: DE DÓNDE sacaron los datos los scripts, que casi siempre es una petición JSON ordenada que tu cliente podría hacer directamente.

Esa observación ordena toda la caja de herramientas. La mejor respuesta ante una página renderizada suele ser no renderizar: llama al endpoint de datos que hay debajo y recibe campos estructurados con una fracción de la transferencia. Casi igual de bien, los frameworks que renderizan en el servidor incrustan todo su estado como un bloque JSON dentro del HTML entregado, las webs actuales con React y Next.js lo llevan en una etiqueta script, y analizar ese bloque da todo lo que sabe la página sin ejecutar nada. Solo cuando no existe ninguna de las dos cosas se gana su sitio la opción pesada: un navegador headless que ejecuta de verdad la página, con el coste y la detectabilidad que eso conlleva.

El caso intermedio merece nota aparte porque ahora es el habitual. La hidratación, el patrón en el que los servidores entregan HTML real y después los scripts le añaden la interactividad, significa que muchas páginas modernas SÍ se pueden extraer del documento en bruto, y la era de la cáscara vacía ha terminado en parte. La trampa se invierte: el contenido presente al descargar todavía se puede SUSTITUIR después de cargar, precios actualizados por una petición más reciente, variantes regionales cambiadas, así que igualar lo que ve un usuario a veces exige renderizar aunque el HTML descargado pareciera completo.

Para planificar los proxies, el renderizado lo multiplica todo. Cargar una página renderizada lanza decenas de peticiones, scripts, llamadas de datos, recursos, cada una por tu salida, así que la facturación por gigabyte es la que más nota el renderizado, y la superficie adicional, incluido el comportamiento de navegador real, es justo donde miran después los sistemas de detección. La decisión tiene suficiente peso como para tomarla por objetivo y no por proyecto: renderiza las páginas que lo exigen y descarga la capa de datos en todas las demás.

Preguntas frecuentes

¿Cómo sé si una página necesita renderizar JavaScript para hacer scraping?

Compara el documento entregado con el árbol en directo: el código fuente frente al inspector de elementos. Si los datos solo están después de ejecutar los scripts, hay renderizado en el cliente. Después abre la pestaña de red y busca de dónde vinieron los datos; suele aparecer un endpoint JSON al que puedes llamar directamente, y ese hallazgo suele dejar sin sentido la pregunta del renderizado.

¿Puedo hacer scraping de una web con JavaScript sin un navegador headless?

Muy a menudo. Se puede llamar directamente a los propios endpoints de datos de la página, y los frameworks que renderizan en el servidor incrustan su estado completo como JSON dentro del HTML, legible con un solo análisis. Un navegador headless es el último recurso correcto para las páginas donde los datos solo existen de verdad tras la ejecución, nunca la primera opción por defecto ante cualquier cosa que parezca moderna.

¿Qué es la hidratación y por qué importa para el scraping?

La hidratación es el patrón en el que el servidor entrega un HTML completo y después los scripts del cliente le añaden la interactividad. Importa porque esas páginas SÍ se pueden extraer del documento descargado, lo que invierte la suposición de la cáscara vacía, con una salvedad: los scripts todavía pueden sustituir el contenido entregado después de cargar, así que lo que analizaste y lo que ve un usuario ahora pueden separarse en los datos que se actualizan en directo.

¿Renderizar JavaScript consume más ancho de banda?

Bastante más. Ejecutar una página desencadena toda la cascada de peticiones de scripts, datos y recursos por tu salida, fácilmente un orden de magnitud más que descargar solo el documento, y el precio residencial por gigabyte lo convierte directamente en dinero. Bloquear los tipos de recurso innecesarios recupera buena parte, y saltarse el renderizado en favor de la capa de datos lo recupera casi todo.

Volver al glosario completo.

HProxy.

Las definiciones solo te llevan hasta cierto punto. Ejecutar frente a objetivos reales.

Residenciales desde 0,23 $ por GB, pagas por uso y el saldo nunca caduca.

HProxy