scrapewright
Scrapewright es una plataforma para extracción web impulsada por IA que convierte descripciones naturales en servicios HTTP reutilizables mediante un motor de investigación basado en LLM, ejecutado como extensión Chrome (MV3) y un servidor Node.js.
Ficha actualizada 22 sept 2026, 18:39 · upstream 22 sept 2026, 17:22 · release sin release detectada
Qué es scrapewright
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
Scrapewright es una plataforma para extracción web impulsada por inteligencia artificial que permite describir en lenguaje natural qué se desea extraer de un sitio web. El motor de IA analiza la página objetivo, genera un grafo de pasos (step graph) y ejecuta pruebas end-to-end antes del despliegue. Se expone a través de una API HTTP local, con soporte para Chrome Extension (versión MV3) y Node.js native messaging host. Los datos nunca salen del dispositivo del usuario. La plataforma ofrece tres ventajas inherentes: reutilización de estado de sesión de login, fidelidad completa al DOM visible (incluyendo contenido JS-renderizado, iframes anidados, paginación, popups hoverables y contenido lazy-loaded), y sin huella digital de automatización. El flujo de investigación se ejecuta en un entorno sandboxed con document offscreen para evitar interferencias con el usuario real.
- Extracción de datos estructurados desde sitios web dinámicos (SPA, React/Vue) que no pueden ser extraídos mediante selectors tradicionales
- Creación y reutilización de servicios HTTP para extracción de datos en múltiples páginas o campañas
- Automatización de scraping con interfaz visual sin necesidad de conocimientos técnicos avanzados
- Extracción de datos desde sitios web con anti-bot agresivo, donde el navegador real se usa como proxy
- Generación y ejecución de scripts de scraping mediante un flujo de investigación guiado por IA
- Procesamiento de contenido dinámico (hover popups, lazy-loaded content) que no es accesible mediante herramientas tradicionales
- Se ejecuta como una extensión Chrome (versión MV3) integrada en el navegador del usuario, reutilizando sus credenciales de sesión sin necesidad de configurar cookies ni logins manuales
- Permite extracción completa de contenido visible: contenido renderizado por JS, iframes anidados, paginación, popups hoverables y contenido lazy-loaded
- No genera huella digital de automatización; las peticiones se realizan desde un navegador real del usuario
- El flujo de investigación es auditable y reversible mediante anotaciones en el panel de la extensión
- La API HTTP de salida es estándar (JSON Schema), permitiendo integración con cualquier sistema que requiera una API REST
- Soporte para modelos de lenguaje de gran contexto (GLM 5.2, Anthropic) con control explícito del límite de tokens de salida
- La extracción no puede acceder a elementos ocultos ni contenido que requiera interacciones complejas como formularios dinámicos o autenticación multi-factor
- El rendimiento puede verse afectado por la necesidad de mantener un tab activo en el navegador durante cada ejecución de scraping
- Los sitios web con cambios frecuentes en su estructura HTML pueden requerir re-investigaciones completas si no se documentan los cambios
- La dependencia del LLM para generar y validar scripts introduce latencia adicional en comparación con herramientas tradicionales como Scrapy o Selenium
- No existe soporte nativo para sitios que requieran autenticación mediante tokens de pago, certificados SSL o métodos de acceso restringidos
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Para desplegar Scrapewright: 1) Instalar la extensión Chrome desde `chrome://extensions/` cargando el directorio `extension/`. 2) Ejecutar el servidor Node.js con `./bin/scrapewright install`, configurando un puerto (por defecto 8765). 3) Configurar la API key del LLM en la extensión. 4) Crear servicios mediante el wizard de investigación. Para producción, se recomienda desplegar el host como servicio systemd o launchd y usar un proxy para gestionar las peticiones HTTP entre el cliente externo y la extensión Chrome.
Stack y dependencias
Componentes inferidos a partir de manifests, configuración y documentación.
Puede sustituir a
Relaciones detectadas por el análisis del repositorio y su categoría.
Experiencia real de la comunidad
Ayuda a contrastar la estimación automática con instalaciones reales.
Todavía no hay datos comunitarios para este proyecto.