Capítulo 17. Evitar trampas de raspado
Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: translation-feedback@oreilly.com
Pocas cosas hay más frustrantes que escrapear un sitio, ver el resultado y no ver los datos que son tan claramente visibles en tu navegador. O enviar un formulario que debería funcionar perfectamente, pero que el servidor web deniega. O que un sitio bloquee tu dirección IP por razones desconocidas.
Estos son algunos de los fallos más difíciles de resolver, no sólo porque pueden ser tan inesperados (un script que funciona perfectamente en un sitio puede no funcionar en absoluto en otro sitio aparentemente idéntico), sino porque no tienen a propósito ningún mensaje de error revelador ni ningún rastro de pila que utilizar. Te han identificado como un bot, te han rechazado, y no sabes por qué.
En este libro he escrito sobre muchas formas de hacer cosas complicadas en los sitios web, como enviar formularios, extraer y limpiar datos difíciles y ejecutar JavaScript. Este capítulo es una especie de cajón de sastre, ya que las técnicas proceden de una gran variedad de temas. Sin embargo, todas tienen algo en común: están pensadas para superar un obstáculo puesto con el único propósito de impedir el scraping automatizado de un sitio.
Independientemente de la utilidad inmediata que esta información tenga para ti en ese momento, te recomiendo encarecidamente que al menos hojees este capítulo. Nunca se sabe cuándo puede ayudarte a resolver ...
Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.
Read now
Unlock full access