Ética y ley: «parsing blanco». Cómo recopilar datos de sitios web sin infringir la ley ni las normas (robots.txt, condiciones del servicio).

Roman

Nov 26, 2025

Proxy

El web scraping (parsing) ha recorrido un largo camino desde el «salvaje oeste» de la década de 2000 hasta la industria moderna con normas estrictas. Hoy en día, la recopilación de datos es la base del comercio electrónico, el aprendizaje de la IA y el análisis de marketing.

Pero hay un problema: los sitios web no quieren ceder sus datos sin más. Se protegen legalmente (Términos de servicio) y técnicamente (sistemas anti-bot).

¿Cómo recopilar información de forma legal? ¿Dónde está la línea divisoria entre el análisis y un ataque DDoS? ¿Y por qué el cumplimiento de robots.txt no es solo una cuestión de cortesía, sino una cuestión de supervivencia para su negocio?

En este artículo analizaremos el código de honor del parser «blanco» y las normas técnicas que le evitarán problemas con la ley.

---

#### **Parte 1. ¿Qué es el «parsing blanco»?**

El «parsing blanco» es la recopilación de datos **de dominio público** respetando las normas del sitio donante y la legislación sobre datos personales.

**Los tres pilares de la legalidad:**

1. **Los datos son públicos:** No hackea cuentas, no descifra contraseñas ni elude los muros de pago (paywalls). Toma lo que cualquier visitante no registrado puede ver.
2. **No perjudica al sitio web:** su script no sobrecarga el servidor (no realiza ataques DDoS) ni interfiere en el trabajo de los usuarios reales.
3. **No infringes los derechos de autor:** recopilas datos (hechos, precios), no contenido (textos de autor, fotos) para volver a publicarlos en tu nombre.

**Un matiz importante:** la recopilación de datos personales (nombre y apellidos, teléfonos, correos electrónicos de personas físicas) es un campo minado. En la UE se aplica el RGPD (adaptado en España como LOPD-GDD). Si analiza la base de usuarios para enviar spam, se trata de un **análisis «negro»**, ilegal por definición.

---

#### **Parte 2. Etiqueta técnica: Robots.txt y User-Agent**

Antes de ejecutar el analizador, debe «llamar a la puerta».

##### **1. Archivo `robots.txt`: ¿ley o recomendación?**

Es un archivo de texto que se encuentra en la raíz de cualquier sitio web (`site.com/robots.txt`). Son instrucciones para los robots.

* **Qué buscar allí:**
  * `User-agent: *`: reglas para todos los bots.
  * `Disallow: /admin/`: no se puede acceder aquí.
  * `Crawl-delay: 10`: haz una pausa de 10 segundos entre solicitudes.

**¿Es esto una ley?** Legalmente, no (en la mayoría de los países). **¿Vale la pena cumplirlo?** Técnicamente, **es obligatorio**. Si en `robots.txt` hay una prohibición de rastreo y la ignoras, los sistemas de protección del sitio clasificarán tu tráfico como malicioso. El resultado será un bloqueo instantáneo de la IP.

##### **2. User-Agent: no te hagas pasar por quien no eres**

Muchos analizadores se camuflan como «Chrome/120.0...». En el análisis «blanco», se considera de buen tono utilizar **tu propio** User-Agent, en el que se indican los datos de contacto del propietario del bot.

* *Ejemplo:* `MyPriceBot/1.0 (+http://mysite.com/bot-contact)` Esto le muestra al administrador del sitio que no eres un intruso y le da una forma de ponerse en contacto contigo si tu bot genera una carga, en lugar de bloquear inmediatamente tu subred.

---

#### **Parte 3. Trampa legal: Términos de servicio (ToS)**

Si `robots.txt` es un cartel de «No entrar», entonces los **Términos de servicio (Acuerdo de usuario)** son un contrato.

La zona más peligrosa es el análisis **después de la autorización**. Cuando te registras en un sitio web y marcas la casilla «Acepto las condiciones», estás celebrando un contrato legal. Si en las condiciones se indica «Queda prohibida cualquier recopilación automatizada de datos» (como es el caso de Facebook, LinkedIn e Instagram), ejecutar un analizador sintáctico dentro de tu cuenta constituye un **incumplimiento del contrato**.

**Consecuencias:**

1. Bloqueo de la cuenta sin derecho a recuperación.
2. En casos excepcionales, demanda judicial por incumplimiento de las condiciones del contrato.

**Regla del parser «blanco»:** Intenta recopilar datos **sin autorización**. Los datos públicos (precios, catálogos) no están protegidos por la ley de derechos de autor (los hechos no se protegen con derechos de autor) y los tribunales (por ejemplo, el caso *HiQ Labs vs LinkedIn*) suelen ponerse del lado de los parsers si los datos eran de acceso público.

---

#### **Parte 4. Cómo no bloquear un sitio web: limitación de velocidad**

La razón más común para el bloqueo no es *lo* que descargas, sino *la rapidez* con la que lo haces.

Si envías 100 solicitudes por segundo a una pequeña tienda online, para ella no eres un analista, sino un ataque DDoS.

**Reglas de cortesía:**

1. **Limita las solicitudes:** haz pausas (sleep) entre solicitudes.
2. **Presta atención a los códigos de respuesta:** si el sitio web empieza a devolver «429 Too Many Requests» o «503 Service Unavailable», tu script debe **detenerte inmediatamente** y aumentar el retraso. Seguir golpeando un servidor «caído» es una grosería técnica.
3. **Parse por la noche:** Cargue el sitio web de destino en las horas de menor actividad de sus usuarios reales.

---

#### **Parte 5. Infraestructura: el papel de los proxies en el parsing ético**

Incluso si se cumplen todas las normas, la recopilación de grandes volúmenes de datos desde una sola dirección IP despertará las sospechas de los sistemas de protección (WAF).

Para distribuir la carga y no caer en los filtros automáticos, es necesario utilizar **proxies de calidad**.

**¿Qué tipo elegir para el parsing «blanco»?**

1. **Proxies de servidor (Datacenter):** ideales para la **recopilación masiva de datos abiertos** (catálogos, precios) de sitios web que no tienen una protección estricta. Son baratos, rápidos y permiten cumplir con la ética (no sobrecargar la red de los usuarios domésticos).
2. **Proxies residentes (Residential):** necesarios para sitios web con límites estrictos. Permiten que tus solicitudes parezcan solicitudes de diferentes personas de diferentes regiones.
   * *Cuestión ética:* utiliza solo proxies residentes éticos (Ethical Proxy Networks), en los que los usuarios han dado su consentimiento para el uso de su tráfico.

En **CyberYozh App** supervisamos estrictamente la limpieza de nuestros pools. Proporcionamos herramientas para el parsing ético:

* **Rotación de IP:** para no sobrecargar una sola dirección.
* **Geolocalización precisa:** para obtener datos relevantes sin solicitudes innecesarias.

---

### **Conclusión: la reputación es más valiosa que los datos**

El parsing «blanco» es un juego a largo plazo. Al infringir las normas, ignorar el archivo `robots.txt` y realizar ataques DDOS a sitios web, es posible obtener datos más rápidamente, pero se corre el riesgo de perder el acceso a la fuente para siempre.

Respeta la etiqueta técnica, respeta los recursos del donante y utiliza la infraestructura adecuada. Es la única forma de construir un negocio sostenible basado en datos.

👉 **¿Estás creando un analizador legal?** Asegúrate de que tenga una base sólida. Elige los [**proxies de servidor o residentes adecuados en el catálogo de CyberYozh App**](https://app.cyberyozh.com/es/catalog/). Te ayudaremos a ampliar la recopilación de datos sin salirte del lado bueno de la fuerza.

¿Es útil?

Comparte el artículo

¿Aún no estás con nosotros?

Regístrate para obtener acceso a todas las funciones del sitio.

Registrarse