Ir al contenido principal
Español— Elegir un idioma
Menú

Extracción de datos de páginas web

Lección 7 de 14 Actualizado el 3 de noviembre de 2026 Desarrollador
En esta página
  1. Raspado basado en visión
  2. Leer e informar
  3. Extraer contenido más allá de la pantalla
  4. El enfoque híbrido: navegar por visión, extraer vía DOM
  5. Estructuras no estándar
  6. Conservar la trazabilidad de la extracción
  7. Lo que la visión no te dará
  8. Puntos clave

Lección actualizada el 3 de noviembre de 2026 según la guía Computer Use de OpenAI: una tarea finaliza cuando la respuesta no contiene ningún computer_call, no basándose en el stop_reason de la API de Anthropic utilizado en la versión anterior. El script de extracción del DOM tenía selectores sin comillas, lo que provocaba un error de JavaScript; esto ya está corregido. Las cifras sin fuente (tokens por captura de pantalla, duración por página) se han sustituido por factores de coste documentados por OpenAI. Fuentes: Computer Use · Calculadora de costes de imagen.

Raspado basado en visión

Un extractor clásico lee HTML: recorre el DOM, sigue una jerarquía de etiquetas y deja de funcionar el día que el sitio cambia a renderizado del lado del cliente o renombra sus clases. Computer Use funciona de manera distinta: el agente lee la pantalla igual que haría un humano y devuelve lo que ha entendido en el formato que hayas solicitado. El impacto práctico es significativo: los sitios que antes eran inaccesibles para los raspadores ahora están disponibles, ya que lo que ve el agente es exactamente lo que ve el usuario.

Leer e informar

El caso más sencillo consiste en pedir una lectura del contenido visible y una devolución estructurada. El punto crítico es imponer el formato de salida en el prompt: sin instrucciones, el modelo responde en prosa, obligándote a analizar texto libre, lo que arruina todo el beneficio de la operación.

task = """
Ve a https://news.example.com y extrae los primeros 5 titulares 
de artículos visibles en la página de inicio.

Devuelve el resultado en formato JSON:
[
  {"rank": 1, "title": "..."},
  {"rank": 2, "title": "..."},
  ...
]
"""

El agente ve la captura de pantalla, identifica los titulares y devuelve el JSON en su respuesta de texto final, es decir, la que llega cuando la respuesta ya no contiene un computer_call. Lo lees desde response.output_text.

Extraer contenido más allá de la pantalla

Una ventana gráfica de 720 píxeles de alto muestra solo una fracción de una página de resultados. Por tanto, debes describir no solo qué recoger, sino también cómo navegar por la página y la condición de parada. De lo contrario, el agente se desplazará hasta que se agoten tus iteraciones, devolviendo datos truncados.

task = """
En esta página de resultados de búsqueda:
1. Lee todos los resultados visibles y anótalos
2. Desplázate hacia abajo para ver más resultados
3. Continúa hasta que hayas recogido 20 resultados o hayas llegado 
   al final de la página

Para cada resultado, extrae:
- Título
- URL
- Breve descripción

Devuelve todo en JSON.
"""

Las tablas son el terreno más favorable porque el modelo comprende de inmediato las estructuras tabulares visuales: asocia una celda con su columna por simple alineación, mientras que un extractor del DOM debe contar elementos <td> y se pierde en cuanto se combina una celda. Describe las columnas esperadas y él rellenará las filas.

task = """
Abre https://stats.example.com/prices y extrae la tabla de precios 
que se muestra en la página.

La tabla tiene las columnas: Producto, Precio sin IVA, IVA, Precio con IVA.
Extrae todas las filas y devuelve en JSON:
{
  "headers": ["Producto", "Precio sin IVA", "IVA", "Precio con IVA"],
  "rows": [
    ["Widget A", "10.00", "20%", "12.00"],
    ...
  ]
}
"""

El enfoque híbrido: navegar por visión, extraer vía DOM

Para datos sensibles, como importes o referencias de productos, la lectura visual sigue siendo aproximada. La combinación más robusta divide las funciones según las fortalezas de cada herramienta: el agente se encarga de la parte difícil de scriptar, es decir, llegar a la página correcta mediante búsquedas, filtros y diálogos de consentimiento; luego Playwright toma el relevo donde más importa la precisión, leyendo los valores directamente del DOM.

def extract_with_dom(page, task_description: str):
    """Usa Computer Use para navegar y Playwright para extraer."""
    # Fase 1: Computer Use navega e identifica el área
    run_agent(task_description, page=page)
    
    # Fase 2: Playwright extrae datos precisos
    data = page.evaluate("""
        () => {
            const rows = document.querySelectorAll('table tbody tr');
            return Array.from(rows).map(row => {
                const cells = row.querySelectorAll('td');
                return Array.from(cells).map(c => c.textContent.trim());
            });
        }
    """)
    
    return data

Estructuras no estándar

Tarjetas de producto, perfiles, listados: estos diseños escapan a las plantillas regulares, y ahí es precisamente donde la visión toma la iniciativa. El prompt debe nombrar entonces cada campo esperado, especificar su tipo y proporcionar un ejemplo de salida completo. De lo contrario, podrías recuperar “250.000 €” en un registro y 250000 en el siguiente, haciendo que el procesamiento posterior falle en la primera línea.

task = """
En esta página de resultados inmobiliarios, extrae para cada anuncio:
- price (número, en euros)
- area (en m²)
- rooms (entero)
- city
- postal_code
- listing_url

Desplázate para cargar más anuncios si es necesario.
Detente cuando tengas 10 anuncios o cuando no haya más.

Formato de salida JSON estricto:
{
  "listings": [
    {
      "price": 250000,
      "area": 65,
      "rooms": 3,
      "city": "Paris",
      "postal_code": "75011",
      "listing_url": "https://..."
    }
  ]
}
"""

Conservar la trazabilidad de la extracción

Una extracción sin metadatos se vuelve inutilizable tres semanas después: ya no sabes de dónde proceden las cifras ni cuándo se fecharon, lo que hace que la comparación con la siguiente recogida carezca de sentido. Registra sistemáticamente la fuente y la marca de tiempo junto con los datos.

import json
from datetime import datetime, timezone

def save_extraction(data: dict, source_url: str):
    """Guarda los datos extraídos con metadatos."""
    now = datetime.now(timezone.utc)
    output = {
        "source": source_url,
        "extracted_at": now.isoformat(),
        "data": data,
    }

    filename = f"extraction_{now:%Y%m%d_%H%M%S}.json"
    with open(filename, "w", encoding="utf-8") as f:
        json.dump(output, f, ensure_ascii=False, indent=2)
    
    print(f"Datos guardados en {filename}")

Lo que la visión no te dará

La precisión numérica es la primera limitación. El OCR implícito del modelo puede confundir caracteres de forma similar, como 0 y O, o 1 y l, lo cual es irrelevante para un titular de artículo pero inaceptable para un IBAN o una referencia de pedido: verifica siempre los datos críticos o usa la extracción del DOM para esos campos.

El coste viene a continuación. Cada captura de pantalla cuenta como una entrada de imagen, cuyo precio depende de su tamaño y del modelo; OpenAI proporciona una calculadora para estimarlo, y una extracción con desplazamiento encadena muchas vueltas. Dado que todo el historial de la cadena se vuelve a facturar como entrada en cada solicitud, el coste de una recogida larga crece más rápido que su número de capturas de pantalla. Por tanto, cualquier gran volumen que deba recogerse diariamente justifica una medición en algunas páginas reales antes de pasar a producción. El tiempo sigue la misma lógica: cada vuelta espera una respuesta del modelo, lo cual conviene al procesamiento nocturno, pero rara vez a una interfaz de usuario que espera una respuesta.

Puntos clave

  • Computer Use destaca extrayendo datos de páginas visualmente complejas
  • Solicita siempre un formato de salida estructurado (JSON) en el prompt
  • Combina la navegación por IA con la extracción del DOM mediante Playwright para mayor fiabilidad
  • Planifica el desplazamiento en páginas largas
  • Verifica los datos numéricos críticos porque el OCR implícito no es perfecto