Herramientas de extracción de sitios web online: usos, límites y seguridad

Un cliente me pidió una vez que sacara todas las fotos de producto de su antiguo sitio: unas 300 imágenes desperdigadas por cuatro años de páginas de catálogo. Nadie quería el HTML, el CSS ni una copia completa. Solo las imágenes, en una carpeta, con nombres razonables. Eso es un trabajo de extracción, y un extractor de sitios web online suele ser la forma más rápida de hacerlo.

Los extractores son los primos selectivos de los descargadores. En vez de llevárselo todo, sacan un solo tipo de cosa (texto, imágenes, enlaces, metadatos) y lo devuelven en una forma utilizable. Aquí verás para qué sirven, dónde las herramientas online ganan al software local y dónde pierden, y las preguntas de seguridad que conviene hacerse antes de pegar una URL en el formulario de un desconocido.

Qué hace realmente un extractor de sitios web online

Le das una URL, él carga la página (a veces hace un rastreo superficial alrededor) y analiza el HTML para devolverte una porción filtrada de lo que encontró. Sin instalación, sin código; todo ocurre en una pestaña del navegador. Las porciones que ofrecen, según la herramienta:

• Extracción de contenido: el texto legible del artículo, sin navegación, anuncios ni texto repetitivo
• Extracción de medios: cada imagen, vídeo o archivo de audio al que la página hace referencia, empaquetados para descargar
• Extracción de enlaces: cada href de la página, normalmente separado en listas de internos y externos
• Extracción de contactos: direcciones de correo, teléfonos y perfiles sociales visibles en el marcado
• Datos estructurados: bloques JSON-LD, etiquetas Open Graph, títulos y descripciones meta, a veces tablas HTML enteras convertidas a CSV

Por dentro, los buenos extractores de contenido ejecutan un algoritmo tipo readability que puntúa bloques de HTML y se queda con el jugoso, el mismo truco que usan los modos de lectura del navegador. Por eso una buena herramienta devuelve texto limpio del artículo y una mala devuelve el menú de navegación con el artículo como nota a pie de página.

Los trabajos para los que la gente realmente los usa

Cuatro trabajos explican la mayoría de usos reales. Primero, inventario previo a una migración: sacar cada meta título, descripción y encabezado a una hoja de cálculo antes de reconstruir un sitio, para que no se quede nada en el olvido. Segundo, recuperar tus propios activos, como el trabajo de las fotos de producto, cuando los originales se perdieron pero el sitio todavía los sirve. Tercero, mantenimiento SEO: extraer cada enlace saliente de las páginas clave y encontrar los que ahora apuntan a dominios aparcados. Cuarto, auditorías de contenido: todos los títulos y fechas de las entradas de un blog antiguo, exportados a CSV, para decidir qué vale la pena conservar.

Uno reciente: el dueño de un blog de WordPress de 2014 quería cada título, fecha y cuerpo de entrada en una hoja de cálculo antes de dejar vencer el hosting. Veinte minutos con un extractor, un CSV, hosting cancelado esa misma semana. Fíjate en lo que tienen en común estos trabajos: quieres un subconjunto, en un formato estructurado, sin tener que estar pendiente de una copia completa.

Herramientas de extracción online frente a software local

Las herramientas online ganan en fricción. Nada que instalar, resultados en segundos y las decentes sacan CSV o zip directamente. Pierden en escala y control: la mayoría te limita a una página o un rastreo superficial, pone tu trabajo en cola detrás de los de otros y ofrece pocas opciones de cookies, cabeceras o ajustes de renderizado.

Las herramientas locales invierten eso. Una extensión de navegador puede extraer de páginas en las que tienes sesión iniciada, porque viaja con tu sesión. Un script en Python con requests y BeautifulSoup, o Scrapy para trabajos grandes, gestiona autenticación, paginación y cien mil páginas sin pedir permiso a nadie. wget y HTTrack se quedan en tierra de nadie: más bastos, pero te sacan sin problema cada imagen de un dominio con las reglas de aceptación correctas.

Mi reparto honesto: si el trabajo cabe en una tarde y las páginas son públicas, empieza por una herramienta online. En el momento en que necesites cookies, lógica de paginación o una segunda ejecución el mes que viene, escribe el script.

¿Es seguro pegar una URL en un extractor de sitios web online?

En general sí, con tres excepciones reales que conviene conocer.

Una: el servicio ve y registra cada URL que envías. Bien para páginas públicas. No tan bien para enlaces de staging, URLs de previsualización con tokens de acceso ni nombres de host internos; he visto URLs internas de sistemas de tickets en las sugerencias de autocompletar de un extractor conocido, lo cual dice todo sobre su registro. Dos: el paquete de descarga. Un extractor legítimo te da imágenes, texto o un CSV. Uno que te entrega un visor ejecutable no es un extractor, es un mecanismo de entrega. Tres: sitios clónicos. Los anuncios de búsqueda con nombres de herramientas populares llevan a menudo a clones que existen para servir malware o hacerse con todo lo que pegues.

La lista de comprobación que funciona:

• Quédate con sitios HTTPS con buena reputación; comprueba antes de pegar
• No pegues nunca URLs que contengan tokens, IDs de sesión o enlaces de restablecimiento de contraseña
• No introduzcas credenciales ni subas archivos de cookies a una herramienta web
• Espera imágenes, texto, CSV o zip; cierra la pestaña si recibes un .exe

Si una herramienta te devuelve un instalador en vez de un zip con imágenes, nunca fue un extractor.

Lo que estas herramientas no pueden alcanzar

Todo extractor, online o local, choca con los mismos muros. Las aplicaciones de una sola página renderizadas con JavaScript devuelven una cáscara vacía salvo que la herramienta ejecute un motor de navegador de verdad. Los muros de login paran todo aquello que no tenga tu sesión. Los bloques de robots.txt hacen que los rastreadores educados se den la vuelta. Los límites de tasa y los CAPTCHA hacen que los maleducados deseen habérselo pensado. La paginación profunda (página 47 de un listado de hilos de foro) supera la paciencia de la mayoría de herramientas online.

El scroll infinito merece su propia mención: la página solo contiene el primer lote de elementos y trae el resto según haces scroll, así que cualquier herramienta que no simule el scroll solo ve una fracción de la lista. Los marketplaces y los perfiles sociales son los infractores habituales.

Pero el muro más duro es el más simple: los extractores cargan páginas en vivo. Si el sitio ha desaparecido (dominio caducado, hosting muerto, borrado hace años), no hay nada de donde extraer. La URL devuelve una página aparcada y la herramienta vuelve con las manos vacías.

Un flujo de extracción con sentido

1. Define el objetivo antes de tocar una herramienta: texto de artículo, imágenes, enlaces o metadatos. Cada uno apunta a un extractor distinto.
2. Prueba con una página representativa y revisa la salida: codificaciones, resoluciones de imagen, si el texto conservó sus encabezados.
3. Comprueba el formato de salida: CSV para hojas de cálculo, zip para medios, JSON si alimenta otro sistema.
4. Ejecuta el trabajo completo con educación. Aplica throttle si la herramienta lo permite, sobre todo en sitios pequeños.
5. Verifica los recuentos con las expectativas. Trescientos productos deberían dar aproximadamente trescientos conjuntos de imágenes, no 180.
6. Guarda la lista de URLs de origen junto con los resultados. Seis meses después, nadie recuerda de dónde salieron los datos.

Herramientas de extracción online gratuitas frente a de pago

La mayoría de extractores online siguen el mismo esquema freemium: un puñado de extracciones gratis al día y luego un paywall. El nivel gratuito da de sobra para trabajos puntuales; sacar las imágenes de cinco páginas de catálogo no te cuesta nada más que paciencia.

Paga cuando el trabajo se repite o crece: acceso a API, profundidad de rastreo más allá de un par de niveles, ejecuciones programadas y listas de URL en bloque son lo que realmente compras con una suscripción. Lo que no merece la pena pagar es cualquier herramienta cuyo único argumento sea una interfaz más bonita sobre wget. Si el trabajo es bajarse todo lo que hay en un dominio, una herramienta local lo hace gratis y para siempre.

Cuando la extracción se convierte en restauración

A veces la petición de extracción es una petición de restauración disfrazada. Sacar todo el texto y las imágenes de mi antiguo sitio da por hecho que el antiguo sitio sigue online. Cuando no lo está, el contenido todavía existe, en la Wayback Machine, pero ningún extractor que carga páginas en vivo puede tocarlo.

Ahí es donde encaja Restorix. Restaura un sitio caído a partir de instantáneas de archivo y puede exportar los artículos recuperados como XML, CSV o JSON estructurados, más un manifiesto de archivos en JSON o SQLite: extracción y restauración en una sola pasada, con el número de archivos y el precio fijados antes de pagar. El manifiesto importa más de lo que parece: compáralo con tu sitemap antiguo y sabrás exactamente qué falta antes de reconstruir.