CyberYozh Open Scraper: Guía oficial

CyberYozh tiene su propia herramienta de scraping gratuita y de código abierto: Open Scraper. Está disponible en GitHub, se instala con Docker en ~20 minutos, se despliega en localhost y es accesible desde cualquier navegador web. Solo se requieren conocimientos mínimos de programación, ya que Open Scraper incluye scripts de código predefinidos para operaciones de scraping, crawling y gestión de sesiones, y solo tienes que definir un proxy y un sitio objetivo.

Preparando Open Scraper: Elegir un proxy

Antes de comenzar tu scraping, es esencial seleccionar el tipo de proxy adecuado.

Proxies residenciales: Scraping de precios, entrenamiento de IA y la mayoría de tareas

Los proxies residenciales rotativos constituyen la opción más común para scraping y automatización a gran escala. Se basan en enormes pools de IPs de direcciones domésticas reales en todo el mundo, haciendo que cada solicitud parezca provenir de un usuario orgánico diferente. Esto los hace ideales para:

• Monitoreo de precios de comercio electrónico

• Recopilación de conjuntos de datos para IA/ML

• Inteligencia competitiva y de marca 

• Verificación de anuncios e investigación de mercado

Proxies móviles: Scraping social de alta precisión

Los proxies móviles tienen el nivel de confianza más alto y están optimizados para aplicaciones mobile-first, lo que los convierte en la opción principal para aplicaciones como Instagram y TikTok. Enrutan el tráfico a través de redes reales de operadores LTE/5G, haciéndolos indistinguibles de los usuarios de smartphones. Úsalos para:

• Scraping de datos de redes sociales

• Analítica de influencers y audiencias

• Plataformas basadas en aplicaciones

Proxies de datacenter: Scraping de datos abiertos y pruebas

Los proxies de datacenter son muy rápidos pero están asociados con tráfico no residencial, similar a bots, por lo que muchas plataformas protegidas los bloquean. Úsalos para:

• Scraping de bases de datos abiertas

• Pruebas y desarrollo  

Descargar e instalar Open Scraper con Docker

Como se mencionó, Open Scraper puede instalarse en menos de 20 minutos. Requiere Docker y se puede acceder a través de localhost usando tu navegador, lo cual puede resultar inusual al principio, pero es muy fácil.

Instalar Docker

Ve al sitio web de Docker y descarga Docker Desktop para tu sistema operativo (Windows, macOS o Linux).

Ejecuta el instalador y sigue los pasos en pantalla. Docker Desktop es gratuito para uso personal. Una vez instalado, inicia Docker Desktop y confirma que esté en ejecución antes de continuar.

Descargar Open Scraper desde GitHub

Ve al repositorio de Open Scraper en GitHub. Haz clic en el botón verde Code y selecciona Download ZIP. 

Alternativamente, clona mediante Git:

git clone https://github.com/CyberYozh-data/yozh-scraper

cd yozh-scraper 

Navega dentro de la carpeta antes de proceder al paso de compilación.

Compilar Open Scraper con Docker

Crea el archivo de entorno y añade tu clave API de CyberYozh:

cp .env.example .env    # create the environment file

# Open .env and set: CYBERYOZH_API_KEY="your_key_here" 

Luego compila e inicia todos los servicios con un solo comando:

docker compose up --build

Docker descargará todas las dependencias e iniciará los contenedores de Open Scraper y Open Crawler automáticamente. Abre Docker para ver que está en ejecución:

Acceder a Open Scraper mediante cualquier navegador

Ambas herramientas están ahora ejecutándose en localhost (127.0.0.1) a través de puertos específicos. Verifica que estén activas usando curl:

curl http://localhost:8000/api/v1/health

# {"status":"ok","workers":2}


curl http://localhost:8001/api/v1/health

# {"status":"ok","workers":2,"scraper_reachable":true,...} 

Accede a la documentación interactiva de la API:

• Open Scraper: http://localhost:8000/docs#/

• Abrir Crawler: http://localhost:8001/docs#/

Ambas páginas de documentación contienen scripts ejecutables con parámetros predefinidos. No necesitas escribir código adicional; solo completa tus valores objetivo. Esto se puede hacer fácilmente usando el comando curl , como se muestra en la siguiente sección.

Usar Open Scraper y Open Crawler

Después de la configuración, tienes dos interfaces API accesibles desde el navegador. Todas las operaciones se pueden activar ya sea lanzando comandos API a través de la GUI (haz clic en Try it out en cualquier endpoint) o enviando comandos curl directamente desde tu terminal. A continuación se muestran todas las operaciones principales.

1. Agregar un proxy a Open Scraper mediante clave API

Abre el archivo .env en la raíz del proyecto y configura tu clave API de CyberYozh:

CYBERYOZH_API_KEY="your_key_here"

Luego, en los scripts API (o mediante comandos curl , como verás más adelante), especifica el parámetro proxy_type para activar un proxy. El valor predeterminado es none (conexión directa):

Para geolocalización, añade el diccionario proxy_geo a cualquier script con los siguientes campos:

Todos los comandos de rastreo y scraping pueden enviarse mediante curl desde tu terminal o ejecutarse de forma interactiva a través de las páginas de documentación de localhost. Veamos más de cerca.

2. Lanza operaciones de rastreo en el sitio objetivo

Usa Crear Rastreo comando POST del Open Crawler para iniciar un rastreo completo del sitio.

Especifica la URL semilla, límites de alcance, tasa de solicitudes y tipo de proxy:

# Submit a crawl
curl -X POST http://localhost:8001/api/v1/crawl \
  -H "Content-Type: application/json" \
  -d '{
    "seed_url": "https://example.com",
    "scope": {
        "mode": "same-domain", 
        "max_depth": 2, 
        "max_pages": 50, 
        "per_domain_rps": 1.0, 
        "per_domain_concurrency": 1
    },
    "scrape_options": {
        "proxy_type": "res_rotating"
    },
    "crawl_proxy": null,
    "enable_scraping": false

  }'

# {"job_id":"crawl_abc123"} 

Parámetros clave a configurar:

• seed_url para la URL inicial del sitio objetivo

• max_pages / max_depth  para límites de alcance que controlan la amplitud y el costo

• per_domain_rps para solicitudes por segundo; mantén en 1.0 para evitar activar límites de tasa

• proxy_type debe establecerse en res_rotating para la mayoría de los casos de uso

Una vez iniciado, recibes un job_id (en este ejemplo, crawl_abc123). Úsalo para monitorear y gestionar el rastreo:

# Poll crawl status
curl http://localhost:8001/api/v1/crawl/crawl_abc123

# Retrieve full results (all visited pages + stats)
curl http://localhost:8001/api/v1/crawl/crawl_abc123/results

# Live event stream (SSE)
curl -N http://localhost:8001/api/v1/crawl/crawl_abc123/events

# Cancel softly (drains in-flight requests)
curl -X DELETE "http://localhost:8001/api/v1/crawl/crawl_abc123?hard=false"

# Cancel hard (aborts all in-flight tasks immediately)
curl -X DELETE "http://localhost:8001/api/v1/crawl/crawl_abc123?hard=true" 

3. Extrae y analiza datos del sitio objetivo

Para extracción de una sola página, usa el comando Scrape Page del Open Scraper

Con b, el proceso es fácil:

curl -s -X POST http://localhost:8000/api/v1/scrape/page \

  -H "Content-Type: application/json" \
  -d '{
    "url": "https://example.com",
    "proxy_type": "res_rotating"
  }' 

Para extraer múltiples páginas en un solo trabajo, usa Scrape Pages:

curl -s -X POST http://localhost:8000/api/v1/scrape/pages \
  -H "Content-Type: application/json" \
  -d '{
    "pages": [
      {"url":"https://example.com","proxy_type":"res_rotating"},
      {"url":"https://example.org","proxy_type":"res_rotating"}
    ]
  }' 

De manera similar al rastreo, ambos comandos devuelven un job_id. Úsalo para verificar el estado y recuperar resultados:

# Check scrape status
curl -s http://localhost:8000/api/v1/scrape/<your_job_id>


# Fetch scrape results
curl -s http://localhost:8000/api/v1/scrape/<your_job_id>/results 

4. Usa preajustes para extracción optimizada

Open Scraper incluye preajustes predefinidos para fuentes de datos populares. En lugar de configurar selectores manualmente, selecciona un nombre de fuente y pasa el parámetro requerido:

Para extraer datos usando un preajuste, utiliza la Página de Preajuste de Extracción o Páginas de ajustes preestablecidos de scraping comando:

curl -X POST http://localhost:8000/api/v1/scrape/preset/page \

  -H 'Content-Type: application/json' \
  -d '{
    "source": "amazon_product",
    "preset_params": {"asin": "B08N5WRWNW"},
    "locale": "us",
    "llm": {"model": "openai/gpt-5.4-mini"}
  }'

# -> {"job_id": "..."}  then GET /api/v1/scrape/<job_id>/results 

El parámetro opcional llm habilita un modelo de IA para autocorregirse durante el análisis. Para usarlo, debes agregar la clave API del proveedor de LLM correspondiente (por ejemplo, OPENAI_API_KEY) a tu archivo .env junto con tu CYBERYOZH_API_KEY.

5. Iniciar sesiones persistentes

Las sesiones persistentes permiten a Open Scraper mantener un estado de navegador consistente, incluyendo cookies, autenticación y dirección IP, a través de múltiples solicitudes. Úsalas para hacer scraping detrás de muros de inicio de sesión.

Crear una sesión:

curl -X POST http://localhost:8000/api/v1/sessions \

  -H 'content-type: application/json' \
  -d '{"device":"desktop","proxy_type":"res_rotating","ttl_seconds":3600}'

Autenticar la sesión con un script de inicio de sesión:

curl -X POST http://localhost:8000/api/v1/sessions/$ID/login \

  -H 'content-type: application/json' \
  -d '{
    "creds":{"email":"tomsmith","password":"SuperSecretPassword!"},
    "script":{
      "steps":[
        # Your target website
        {"op":"goto","url":"https://the-internet.herokuapp.com/login"}, 
        {"op":"fill","selector":"#username","value":"$creds_email"},
        {"op":"fill","selector":"#password","value":"$creds_password"},
        {"op":"click","selector":"button[type=submit]"},
        {"op":"wait_for_selector","selector":".flash.success"}
      ],
      "success_selector":".flash.success"
    }
  }' 

Alternativamente, inyectar cookies de sesión directamente:

curl -X POST http://localhost:8000/api/v1/sessions/$ID/cookies \

  -H 'content-type: application/json' \
  -d '{"cookies":[{"name":"sessionid","value":"abc","domain":".example.com","path":"/","expires":1800000000,"httpOnly":true,"secure":true,"sameSite":"Lax"}]}' 

Una vez que la sesión esté autenticada, pasa el session_id en cualquier comando subsiguiente de Scrape Page o Scrape Pages para continuar bajo el mismo estado autenticado.

Conclusión: Web scraping y automatización gratis

Open Scraper y Open Crawler son herramientas listas para producción, gratuitas y de código abierto para scraping, rastreo y extracción de datos estructurados. Instálalas con Docker en 20 minutos, conecta tu proxy de CyberYozh en dos líneas de configuración .env y ejecuta todas las operaciones vía curl sin necesidad de programar.

Preguntas frecuentes sobre Open Scraper de CyberYozh

¿Cuál es la mejor herramienta gratuita de web scraping disponible hoy?

CyberYozh Open Scraper es una opción gratuita y de código abierto de primer nivel: no requiere suscripción, se ejecuta localmente vía Docker e integra rotación de proxies desde el inicio.

¿CyberYozh Open Scraper es realmente gratis?

Sí, la herramienta en sí es completamente gratuita y de código abierto. Solo pagas por proxies si los necesitas para protección anti-baneo o geolocalización.

¿Cuáles son las mejores herramientas de web scraping de código abierto?

Las opciones populares incluyen Scrapy, Playwright, Puppeteer y CyberYozh Open Scraper, que combina de manera única una interfaz API lista para usar con infraestructura de proxy nativa.

¿Necesito un proxy para web scraping?

No siempre, pero para scraping a gran escala o comercial, un servicio de proxy para web scraping es esencial para evitar bloqueos de IP y sortear límites de velocidad.

¿Qué es un servicio de proxy para web scraping?

Un servicio de proxy para web scraping enruta las solicitudes de tu scraper a través de un conjunto de IPs reales, haciendo que cada solicitud parezca provenir de un usuario legítimo diferente.

¿Cuál es la diferencia entre proxies rotativos y estáticos para scraping?

Los proxies rotativos asignan una nueva dirección IP por solicitud para proporcionar anonimato a escala. Los proxies estáticos mantienen una IP fija, adecuados para tareas basadas en sesiones o específicas de cuentas.

¿Puedo usar una API gratuita de web scraping sin experiencia en programación?

Sí. La documentación localhost de Open Scraper proporciona scripts API preconfigurados: solo completa una URL y el tipo de proxy y haz clic en ejecutar. No se requiere código personalizado.

¿Qué tipo de proxy debo usar para scraping de redes sociales?

Los proxies móviles ofrecen el mayor nivel de confianza y son ideales para Instagram, TikTok y plataformas similares orientadas a móviles que filtran agresivamente el tráfico no móvil.

¿Cómo evito ser bloqueado mientras hago web scraping?

Usa proxies residenciales o móviles rotativos, limita las solicitudes por segundo (per_domain_rps), activa el modo sigiloso y rota los encabezados user-agent con cada solicitud.

¿Puede Open Scraper manejar páginas renderizadas con JavaScript?

Sí. Open Scraper está construido sobre Playwright, que renderiza sesiones completas de navegador incluyendo JavaScript, SPAs y contenido cargado dinámicamente.

¿Cuál es la diferencia entre web scraping y web crawling?

El crawling mapea e indexa URLs a través de un sitio; el scraping extrae datos estructurados de esas páginas. Open Scraper incluye ambas herramientas: Open Crawler para descubrimiento, Open Scraper para extracción.

¿Cómo configuro un proxy de web scraping para Open Scraper?

Agrega tu clave API de CyberYozh al archivo .env bajo CYBERYOZH_API_KEY, luego establece proxy_type en res_rotating en cualquier comando de scraping. Eso es todo.