Introducción

En esta guía paso a paso, aprenderás a realizar web scraping sin programación en dos populares herramientas sin código: Octoparse y ParseHub, utilizando proxies móviles. Configuraremos el entorno, conectaremos a un proveedor de proxies móviles, abordaremos una tarea real de recopilación de datos, ajustaremos el anti-baneo y los límites, y luego verificaremos y exportaremos los resultados. Al final, tendrás un proceso de scraping resistente a bloqueos, listo para escalar y actualizar datos regularmente.

¿Para quién es esta guía? Para principiantes que desean comenzar rápidamente sin código; para marketers, analistas y especialistas en datos que necesitan un proceso confiable y claro para recopilar información; para usuarios avanzados: en la sección “Funciones adicionales” hay consejos de optimización.

¿Qué debes saber antes? Habilidades básicas para usar una computadora y un navegador. No se requiere programación.

¿Cuánto tiempo tomará? 2–4 horas para el ciclo completo, incluyendo instalación, configuración de proxies y scraping de prueba. Si ya tienes experiencia con estas herramientas, necesitarás entre 60 y 90 minutos.

Preparación previa

Herramientas y accesos necesarios:

  • Una cuenta en Octoparse (Windows, macOS; hay versión en la nube). Cualquier versión actual 2025–2026 será válida.
  • Una cuenta en ParseHub (aplicación de escritorio para Windows/macOS y cuenta web). Elige la versión correspondiente.
  • Cuenta y acceso a proxies móviles de un proveedor confiable. Debe ser un servicio con IPs móviles reales, autenticación por usuario y contraseña, y gestión flexible de rotación. Un ejemplo adecuado es mobileproxy.space como proveedor de proxies móviles y herramientas de automatización.
  • Sitio web de prueba que permita scraping educativo. Utilizaremos un recurso de demostración para fines de aprendizaje — “Books to Scrape” (sitio demo público para práctica). Puedes reemplazar este ejemplo con otro sitio si tienes permiso y no infringe las reglas del recurso.

Requisitos del sistema:

  • PC con Windows 10/11 o macOS 12+ con 8 GB de RAM y 2–4 GB de espacio libre en disco.
  • Internet estable de 10 Mbps o más.
  • Capacidad de instalar software y acceder a la configuración de red para verificar proxies.

¿Qué necesitas descargar e instalar?

  1. Descarga e instala Octoparse desde el sitio oficial del desarrollador. Durante la instalación, elige el idioma de la interfaz y la carpeta de instalación. Al finalizar, inicia sesión o crea una nueva cuenta.
  2. Descarga e instala ParseHub. Abre la aplicación e inicia sesión.
  3. Contrata un plan con el proveedor de proxies móviles. En tu panel de control, obtén la dirección del proxy (host y puerto), usuario y contraseña. Si hay un panel para rotar IPs, marca el intervalo de cambio de dirección, por ejemplo, cada 3–10 minutos.

Creación de copias de seguridad (relevante para proyectos):

  • En Octoparse, exporta el proyecto a un archivo .otd después de cada cambio importante.
  • En ParseHub, después de la configuración, guarda el proyecto y crea una copia local del archivo del proyecto a través del menú “File” → “Save As”.

Consejo: Guarda los datos de autenticación del proxy por separado de los proyectos. Usa un gestor de contraseñas y crea accesos separados para tareas educativas y de producción.

Conceptos básicos

Términos clave en palabras simples:

  • Parser sin código — programa que permite recopilar datos de sitios web sin programación. El usuario configura con clics: qué abrir, qué presionar, qué extraer.
  • Proxy — servidor intermedio a través de donde pasan tus solicitudes de internet. El sitio ve no tu IP real, sino la IP del proxy.
  • Proxies móviles — proxies que utilizan IPs reales de operadores móviles (3G/4G/5G). Cambian con mayor frecuencia y parecen naturales para los sitios, lo que reduce el riesgo de bloqueos cuando se utilizan con cuidado.
  • Rotación de IP — cambio periódico de dirección IP. En proxies móviles, puede ser automática por temporizador o a través de un conmutador API en el panel del proveedor.
  • Selector — forma de indicar en la página qué elemento extraer (por ejemplo, título del producto, precio). En Octoparse y ParseHub, esto se hace haciendo clic en los elementos de la página.
  • Paginación — navegación entre páginas de resultados (botones “Next”, números de páginas).
  • Sesión — secuencia de solicitudes desde una IP. Una sesión “sticky” mantiene la IP durante un tiempo para finalizar la tarea sin cambiar la dirección a mitad de camino.

Principios de funcionamiento:

  • El parser abre la página, espera la carga, encuentra los elementos necesarios, extrae texto, enlaces o atributos, pasa a la siguiente página y repite el proceso.
  • El proxy se añade una vez en la configuración del proyecto. Luego, todas las solicitudes de red pasan a través de él.
  • Para mayor estabilidad, utiliza velocidades moderadas, pausas entre acciones y rotación de IP.

Importante entender antes de comenzar:

  • Cumple con las reglas del sitio fuente y la legislación de tu país. Respeta robots.txt y los términos de uso del recurso. Obtén permisos si planeas un scraping intensivo.
  • No extraigas datos personales que no estén destinados a la recopilación automática. Trabaja solo con información abierta y permitida.
  • El objetivo de los proxies móviles es funcionar de manera estable y correcta, no evadir restricciones establecidas por la ley o el propietario del sitio.

⚠️ Atención: Nunca uses proxies y herramientas de scraping para acciones que estén prohibidas por la legislación local o las reglas del sitio. Esta guía está destinada a escenarios de aprendizaje y trabajo legítimos con acceso permitido a datos.

Paso 1: Planificar la tarea y preparar la estructura de datos

Objetivo de la etapa

Definir qué datos necesitas, dónde se encuentran en la página, cómo navegar entre páginas, y acordar las reglas de frecuencia de solicitudes. El resultado es un plan sencillo de campo → selector → fuente y una lista de URLs para comenzar.

Instrucciones detalladas

  1. Abre el sitio de prueba con productos (ejemplo: Books to Scrape). Asegúrate de que es un recurso demo que permite la recopilación educativa de datos.
  2. Define los campos a extraer: nombre del producto, precio, calificación, disponibilidad (In stock), enlace a la tarjeta y portada (URL de imagen).
  3. Fija la estructura de datos: crea una tabla en Google Sheets o Excel con columnas Title, Price, Rating, Availability, ProductURL, ImageURL.
  4. Verifica la paginación: encuentra el botón “next” o los números de páginas al final de la lista. Anota la clase CSS o el texto del botón (por ejemplo, “li.next a”).
  5. Evalúa la profundidad: cuántas páginas y productos. Para la prueba educativa, toma 3–5 páginas.
  6. Define la frecuencia de solicitudes: comienza con 1 solicitud cada 2–4 segundos y pausas graduales antes de la paginación.

Consejo: Cuanto más simple y clara sea la meta inicial, más fácil será la depuración. Comienza con 1–2 campos (por ejemplo, nombre y precio), luego añade los demás.

Resultado esperado

Tienes una lista de URLs de páginas para comenzar, una lista de campos y comprensión de cómo navegar entre páginas.

Posibles problemas y soluciones

  • No está claro dónde se encuentra el elemento necesario. Solución: pasa el cursor por el elemento en el navegador y utiliza “Ver código” para buscar un atributo o clase única.
  • Paginación inestable. Solución: usa el botón “next” en lugar de los números de página, es más sencillo y estable.

✅ Verificación: En tu tabla hay una lista de campos y 3–5 URLs iniciales. La comprensión de la paginación está confirmada.

Paso 2: Obtener y verificar el proxy móvil

Objetivo de la etapa

Adquirir un proxy móvil, obtener la dirección, puerto, usuario y contraseña, elegir el modo de rotación de IP y asegurarte de que el proxy funcione de manera estable.

Instrucciones detalladas

  1. Ingresa al panel de tu proveedor de proxies móviles. Un ejemplo adecuado de servicio es mobileproxy.space, donde están disponibles IPs móviles de operadores, rotación ajustable y documentación sobre formatos de autorización.
  2. Crea una cuenta proxy. Especifica el grupo necesario de ciudades o países, si es necesario para la tarea. Para el proyecto educativo, utiliza la región por defecto.
  3. Copia la configuración: host (por ejemplo, gw.provider.example), puerto (por ejemplo, 10000–20000), usuario y contraseña. Guarda estos datos en un gestor de contraseñas.
  4. Configura la rotación de IP: elige un intervalo de 3–10 minutos. Para una recopilación estable de páginas, utiliza una sesión sticky de 5–15 minutos para que la IP no cambie a mitad de la extracción de la tarjeta del producto.
  5. Verifica el proxy: abre el navegador y establece el proxy del sistema (HTTP) en el host:puerto proporcionado con el usuario y contraseña. Dirígete a una página “mostrar IP” o cualquier servicio permitido donde se vea tu dirección externa y asegúrate de que la IP cambió a la móvil.
  6. Desactiva el proxy del sistema en el navegador después de la verificación, para no interferir con el funcionamiento de las herramientas más adelante.

Consejo: Si el proveedor ofrece un botón API “cambiar IP”, anota su URL. Esto será útil para cambiar manualmente la IP entre ejecuciones de tareas.

Resultado esperado

Tienes credenciales de proxy móvil activas y confirmación de que la IP se cambia correctamente y la rotación está configurada.

Posibles problemas y soluciones

  • Error de autorización en el navegador. Solución: verifica la exactitud del usuario y contraseña, teniendo en cuenta las mayúsculas y minúsculas.
  • El sitio no se abre a través del proxy. Solución: cambia el nodo o el puerto en el panel del proveedor, o contacta al soporte. Asegúrate de que utilizas el protocolo soportado (HTTP/HTTPS).

✅ Verificación: Confirmas la IP externa del proxy móvil y sabes cómo activar la rotación si es necesario.

Paso 3: Configuración del proxy móvil en Octoparse

Objetivo de la etapa

Conectar el proxy móvil a un proyecto específico en Octoparse, de modo que todas las solicitudes se realicen a través de él con la rotación y retrasos necesarios.

Instrucciones detalladas

  1. Inicia Octoparse e inicia sesión. En la pantalla principal, haz clic en “+ Nuevo” o “Crear tarea”.
  2. Ingresa la URL inicial de tu lista (por ejemplo, la página principal de la sección “Books”). Haz clic en “Guardar URL” o “Iniciar” para vista previa.
  3. Abre la configuración del proyecto. En el panel izquierdo, busca la sección “Configuración”, “Avanzado” o “Configuraciones de tarea” (el nombre puede variar según la versión). Dirígete al bloque “Proxy” o “Rotación de IP”.
  4. Selecciona “Usar mi proxy” o “Proxy personalizado”. Ingresa el host y puerto de tu proxy móvil.
  5. Proporciona la autorización: ingresa el usuario y la contraseña. Si hay una opción “Recordar credenciales”, actívala.
  6. Activa la rotación de IP en Octoparse (si está disponible), o deja la rotación del lado del proveedor. Si Octoparse permite “Cambiar IP cada X minutos”, sincroniza el intervalo con la configuración en el panel del proxy (por ejemplo, 5 minutos).
  7. Establece la velocidad: en “Speed” o “Configuraciones de ejecución” coloca pausas de 2–4 segundos entre acciones y 5–8 segundos antes de la paginación. Activa la opción “Rango aleatorio de retraso”, si está disponible.
  8. Guarda las configuraciones. Haz clic en “Probar conexión” (si hay) para asegurarte de que el proyecto tiene acceso a Internet a través del proxy.

Consejo: Guarda diferentes perfiles de proxy para diferentes proyectos. En los nombres, indica la región y el intervalo de rotación para evitar confusiones.

⚠️ Atención: No inicies múltiples hilos de forma paralela en una misma IP móvil. Esto puede generar actividad sospechosa. Es mejor escalar según la cantidad de proxies.

Resultado esperado

El proyecto en Octoparse se guarda, la prueba de conexión pasa y la vista previa de las páginas se abre de manera estable.

Posibles problemas y soluciones

  • “Error al conectarse a través del proxy”. Solución: verifica el host:puerto, la autorización, asegúrate de que no hay un proxy del sistema en el S.O. que esté causando conflicto con la aplicación.
  • La página carga muy lentamente. Solución: aumenta el tiempo de carga en “Avanzado” y reduce la cantidad de solicitudes simultáneas.

✅ Verificación: En la vista previa de Octoparse, las páginas se abren sin errores, y el registro de conexiones indica accesos a través de tu proxy.

Paso 4: Configuración del proxy móvil en ParseHub

Objetivo de la etapa

Conectar el proxy móvil al proyecto de ParseHub de manera que todas las llamadas de red pasen a través de la dirección IP indicada, con autorización y retrasos.

Instrucciones detalladas

  1. Abre ParseHub y crea un nuevo proyecto: haz clic en “Nuevo Proyecto”, ingresa la URL inicial. Espera a que cargue la página en la ventana de vista previa.
  2. Ve a la configuración del proyecto. En el panel derecho o mediante el ícono de “engranajes”, abre “Configuraciones del proyecto” o “Red” (el nombre puede variar según la versión).
  3. Encuentra la sección “Proxy” o “Usar servidor proxy”. Selecciona el protocolo HTTP/HTTPS, ingresa el host y puerto de tu proxy móvil.
  4. Proporciona el usuario y contraseña para la autorización. Si hay una casilla “Guardar credenciales”, actívala.
  5. Establece los retrasos en las configuraciones de ejecución: “Retraso antes de acciones” de 2–4 segundos, “Timeout de carga de página” de 20–40 segundos, “Aleatorizar retrasos” si está disponible.
  6. Guarda las configuraciones. Si hay un botón “Probar proxy” o “Probar conexión”, realiza la verificación.
  7. Regresa a la ventana de vista previa y actualiza la página. Asegúrate de que el contenido se carga de manera estable y sin errores de autorización.

Consejo: Si tu proveedor tiene diferentes puntos de salida (ciudades), para proyectos separados de ParseHub utiliza diferentes hosts. Esto simplificará el análisis de logs y mejorará la estabilidad.

Resultado esperado

El proyecto de ParseHub abre las páginas sin errores y el modo proxy está activo.

Posibles problemas y soluciones

  • Aparece repetidamente el mensaje de autorización. Solución: vuelve a ingresar el usuario y contraseña en la configuración, verifica que no haya espacios adicionales al copiar.
  • La página no carga en la vista previa. Solución: aumenta el tiempo de espera, asegúrate de que el proxy esté funcionando (verifica en el navegador), y si es necesario, cambia el nodo con el proveedor.

✅ Verificación: En la vista previa de ParseHub, las páginas se abren de manera estable a través del proxy. No hay errores 407 Proxy Authentication Required.

Paso 5: Crear y ejecutar una tarea en Octoparse (ejemplo)

Objetivo de la etapa

Configurar la secuencia de acciones en Octoparse para extraer el nombre, precio, calificación, disponibilidad, enlace y imagen en un listado de productos. Obtener un script robusto con paginación y exportación.

Instrucciones detalladas paso a paso

  1. En el proyecto con el proxy ya conectado, ingresa la URL inicial de la sección del catálogo. Haz clic en “Go” para vista previa.
  2. Haz clic en “Auto-detect web page data” (Auto-detectar datos de la página web). Espera a que Octoparse resalte los bloques de la lista de productos y ofrezca los campos.
  3. Verifica los campos ofrecidos. Si es necesario, haz clic en el título del producto y selecciona “Extraer texto”; por precio — “Extraer texto”; por enlace — “Extraer URL”; por imagen — “Extraer URL de imagen”; por calificación — extrae el atributo de clase y luego conviértelo en una calificación legible.
  4. Crea un “Loop Item” por tarjetas: asegúrate de que Octoparse haya detectado la lista repetitiva. Si no, selecciona manualmente dos elementos idénticos de la lista y haz clic en “Seleccionar todo” para crear el bucle.
  5. Agrega paginación: haz clic en el botón “next” al fondo y selecciona “Hacer clic para paginar”. Establece un límite de páginas, por ejemplo, 3 para la prueba.
  6. Define las pausas: en la configuración de “Click” para paginación, añade “Esperar antes de la siguiente acción” de 5–8 segundos.
  7. Abre “Vista previa de datos”. Verifica que tengas columnas Title, Price, Rating (posiblemente como clase “star-rating Three”, etc.), Availability, ProductURL, ImageURL.
  8. Si es necesario, agrega pasos “Limpiar datos”: elimina el símbolo de moneda del precio, convierte la clase de calificación en números (One–Five → 1–5), recorta espacios.
  9. Guarda el proyecto y ejecuta “Run” con las siguientes configuraciones: “Ejecución local” para prueba; intervalos de retrasos — predeterminados de las configuraciones, flujos — 1.
  10. Después de finalizar la exportación, selecciona el formato CSV o Excel. Indica la ruta de guardado y nombre del archivo, por ejemplo octoparse_books_test.xlsx.

Consejo: Si la autodetección seleccionó elementos innecesarios, elimínalos manualmente en el panel “Fields”. Deja solo las columnas necesarias, esto acelerará el trabajo y simplificará el post-procesamiento.

Consejo: Para una correcta “Availability”, extrae no solo el texto, sino verifica la presencia del elemento “availability” en la tarjeta. Si el elemento tiene un atributo de cantidad, agrégalo como campo separado.

Resultado esperado

Obtienes un conjunto de datos correcto de 3–5 páginas: no menos de 60–100 filas con todos los campos y enlaces válidos.

Posibles problemas y soluciones

  • No se crea “Loop Item”. Solución: selecciona manualmente dos elementos iguales uno al lado del otro y haz clic en “Seleccionar todo”. Luego agrega “Extraer datos” para cada subelemento necesario.
  • La calificación se extrae como texto de clase. Solución: utiliza “Limpiar datos” con la función “Reemplazar” para mapear “star-rating Three” → “3”.
  • La paginación no se puede hacer clic. Solución: aumenta “Esperar elemento” y “Timeout”, asegúrate de que has seleccionado el elemento enlace, no el contenedor.

✅ Verificación: En la vista previa y exportación final, los valores de las columnas corresponden a lo esperado. No hay filas vacías continuas, los enlaces son clicables, las imágenes se abren.

Paso 6: Crear y ejecutar una tarea en ParseHub (ejemplo)

Objetivo de la etapa

Coleccionar un conjunto similar de datos en ParseHub, configurando la selección de elementos, paginación y exportación.

Instrucciones detalladas paso a paso

  1. En el proyecto abierto de ParseHub, haz clic en la herramienta “Select” y clic en el título del primer producto. Luego haz clic en el título del segundo producto para establecer la plantilla del elemento repetitivo. La lista se resaltará en verde.
  2. En el panel derecho, haz clic en “Extract” para extraer el texto del título. Cambia el nombre del campo a Title.
  3. De igual manera, selecciona el precio en la primera y segunda tarjeta. Haz clic en “Extract”, selecciona tipo “Texto”, nombra el campo Price.
  4. Para el enlace a la tarjeta, selecciona el título del producto y en las propiedades del campo, indica “Extract” → “URL” en lugar del texto. Nombra el campo ProductURL.
  5. Para la imagen, selecciona la imagen de la tarjeta y elige “Extract” → “Image URL”. Nombra el campo ImageURL.
  6. Para la calificación, haz clic en el ícono de estrellas o en el bloque de texto de calificación. Si está codificada en clase, extrae el atributo “class”, luego ajusta “Transformar” con la regla de reemplazo “One”–“Five” a números.
  7. Agrega “Availability”: haz clic en el bloque de disponibilidad y extrae el texto. Nombra el campo Availability.
  8. Configura la paginación: haz clic en el botón “next” o en el número de la siguiente página y selecciona “Click”. Establece “Repetir plantilla actual” hasta 3–5 páginas.
  9. Agrega retrasos en las acciones “Click” y “Wait” de 4–8 segundos antes de pasar a las páginas. Activa “Aleatorizar” si está disponible.
  10. Haz clic en “Run” para ejecución local. Espera a que termine y exporta el resultado a CSV/Excel.

Consejo: Si ParseHub selecciona un contenedor demasiado amplio, disminuye la selección: haz clic en el subelemento deseado una vez más o utiliza “Seleccionar vacío” y añade elementos poco a poco.

Consejo: Para páginas complejas, agrega el paso “Esperar elemento” con un atributo CSS específico, para esperar el bloque adecuado antes de extraer.

Resultado esperado

Obtienes un conjunto similar de datos, comparable con la exportación de Octoparse, lo que confirma la lógica correcta y la estabilidad del proxy.

Posibles problemas y soluciones

  • La lista no se determina. Solución: selecciona dos tarjetas idénticas consecutivas para que ParseHub vea el patrón de repetición.
  • Los campos están vacíos ocasionalmente. Solución: aumenta los retrasos después de cargar la página y usa “Esperar elemento” para el contenido.

✅ Verificación: Los datos se exportan de manera secuencial sin omisiones, la exportación a CSV/Excel se abre y corresponde a la estructura esperada.

Paso 7: Anti-baneo y límites: cómo mantener la estabilidad

Objetivo de la etapa

Proteger los procesos de bloqueos excesivos mediante un ritmo cuidadoso, correcta rotación y control de calidad de las solicitudes.

Configuraciones recomendadas

  1. Ritmo de solicitudes: mantén un máximo de 1–2 solicitudes por segundo, pero es mejor ser más conservador — 1 solicitud cada 2–4 segundos.
  2. Pausas durante la paginación: 5–10 segundos, preferiblemente con aleatorización.
  3. Rotación de IP: cada 3–10 minutos. Para largas tarjetas, utiliza una sesión sticky de 5–15 minutos para no perder el contexto.
  4. Paralelismo: 1 hilo por IP móvil. Para escalar, añade nuevos proxies y no hilos en una misma IP.
  5. Timeouts: Timeout de carga de página 20–45 segundos, reintentos de carga 1–2 veces si falla.
  6. Pausa entre ejecuciones: 3–5 minutos, para dar tiempo a la red a “enfriarse” después de una larga sesión.

Consejo: Lleva un registro: anota el intervalo de rotación, la cantidad de páginas recopiladas y las métricas de error. Esto ayudará a ajustar los límites de manera precisa.

⚠️ Atención: Evita esquivar las restricciones técnicas del sitio. Si un recurso prohíbe explícitamente la recopilación automatizada, no uses scraping. Trabaja solo donde esté permitido y con un volumen que el sitio pueda manejar sin daños.

Resultado esperado

Reducción de errores de carga, ausencia de picos de captcha y bloqueos, recopilación de datos uniforme.

Posibles problemas y soluciones

  • Aparece captcha frecuentemente. Solución: reduce la velocidad, aumenta las pausas, disminuye el paralelismo, y si es necesario, cambia la región del proxy con el proveedor.
  • Respuestas 403/429 aleatorias. Solución: añade más pausas, reduce la profundidad en una ejecución, utiliza un programador con intervalos.

✅ Verificación: En los registros, disminuye la cantidad de rechazos. El tiempo promedio en la página es estable y el porcentaje total de campos llenos aumenta.

Paso 8: Exportación, validación y estructuración de datos

Objetivo de la etapa

Exportar los resultados correctamente, verificar su integridad y llevarlos a una estructura conveniente para el análisis.

Instrucciones detalladas

  1. Exporta los resultados de Octoparse a Excel (XLSX) y de ParseHub a CSV. Renombra los archivos con la fecha, por ejemplo books_octoparse_2026-06-22.xlsx y books_parsehub_2026-06-22.csv.
  2. Abre la exportación y verifica la presencia de todas las columnas. Compara 5–10 registros aleatorios con el sitio manualmente.
  3. Revisa duplicados: ordena por ProductURL y elimina filas repetidas.
  4. Limpia los datos: quita el símbolo de moneda del precio, convierte el precio a número, normaliza la calificación de 1 a 5, recorta espacios.
  5. Guarda el archivo final como versión master. Haz una copia para trabajar y otra para archivar.

Consejo: Establece reglas simples de control de calidad: al menos 95% de llenado de campos clave y no más de 2% de duplicados en la prueba.

Resultado esperado

Un dataset limpio y completo, listo para análisis o carga en BI/CRM.

Posibles problemas y soluciones

  • Codificación incorrecta en CSV. Solución: abre el archivo en un editor, selecciona UTF-8 o impórtalo en Google Sheets especificando la codificación.
  • Mezcla de separadores. Solución: exporta en XLSX o especifica el punto y coma como separador.

✅ Verificación: Verificación manual de 10 registros que confirma la precisión. Los campos corresponden al formato esperado.

Paso 9: Automatización de ejecuciones y control de estabilidad

Objetivo de la etapa

Configurar ejecuciones regulares de tareas, registros y monitoreo para mantener resultados sin intervención manual.

Instrucciones detalladas

  1. En Octoparse, abre “Schedule” o “Task Scheduler”. Crea un horario, por ejemplo, diariamente a las 02:00. Especifica restricciones de profundidad y límite de filas por ejecución.
  2. En ParseHub, configura “Schedule Runs” a través del panel web: selecciona la periodicidad (una vez al día o semana), limita el tiempo de ejecución y la cantidad de páginas.
  3. Configura notificaciones: activa alertas por correo electrónico sobre finalización de tareas y errores.
  4. Agrega control de rotación de IP: en el panel del proveedor, configura la actualización automática de IP por temporizador, sincronízalo con el inicio del horario. Si es necesario, establece el cambio de IP antes del inicio.
  5. Guarda los registros: exporta el registro de ejecuciones en CSV una vez a la semana para análisis. Anota el tiempo, cantidad de filas recopiladas, número de errores de carga.

Consejo: Realiza un pequeño ensayo de control 10–15 minutos antes del horario principal, para asegurarte de que el sitio esté disponible y el proxy funcione.

Resultado esperado

Las tareas se inician establemente según el horario, los datos se actualizan, y al haber errores se reciben notificaciones para reaccionar rápido.

Posibles problemas y soluciones

  • La tarea se cae por la noche. Solución: activa reinicio automático en casos de error, añade tiempos de espera más largos, reduce la profundidad.
  • A veces la IP no se cambia a tiempo. Solución: programa el cambio de IP 1–2 minutos antes del inicio del horario.

✅ Verificación: En el registro hay ejecuciones nocturnas exitosas, llegan correos sobre finalización, y el volumen de datos crece conforme al plan.

Verificación del resultado

Lista de verificación: lo que debería funcionar

  • Octoparse y ParseHub abren las páginas iniciales sin errores, el proxy está activo.
  • Los campos se extraen correctamente, la paginación se puede pulsar y espera a que cargue.
  • La exportación a CSV/XLSX crea archivos legibles sin distorsiones.
  • El porcentaje promedio de campos vacíos no excede el 5% en el conjunto de prueba.
  • La rotación de IP funciona en el intervalo definido, sin errores de autorización.

¿Cómo probar?

  1. Realiza un breve ensayo de 2–3 páginas y revisa los registros: la proporción de cargas exitosas debe ser de al menos 95%.
  2. Verifica diez registros aleatorios manualmente, comparándolos con el sitio.
  3. Observa si la IP externa cambia de acuerdo al horario en el panel del proveedor.

Métricas de ejecución exitosa

  • Ejecución sin errores de autenticación de proxy.
  • Ausencia de captchas frecuentes y respuestas 403/429.
  • Tiempo estable en la página y volumen de datos predecible por ejecución.

Errores comunes y soluciones

  • Problema: “407 Proxy Authentication Required”. Causa: credenciales incorrectas. Solución: verifica los datos, elimina espacios adicionales al copiar, guarda la configuración y prueba nuevamente.
  • Problema: las páginas no cargan o cargan muy lentamente. Causa: temporizador insuficiente, nodo sobrecargado, alta velocidad de solicitudes. Solución: aumenta el timeout, disminuye la velocidad, cambia el nodo con el proveedor.
  • Problema: campos vacíos en algunas filas. Causa: los elementos no se han renderizado a tiempo. Solución: añade “Esperar elemento”, aumenta las pausas y activa la aleatorización.
  • Problema: la paginación es clicable pero los datos no cambian. Causa: se seleccionó el elemento incorrecto o hay que esperar la actualización. Solución: selecciona el enlace dentro del botón “next”, añade “Esperar navegación”.
  • Problema: registros duplicados. Causa: recopilación de tarjetas idénticas en páginas adyacentes debido a los filtros. Solución: filtra por ProductURL, incluye verificación de duplicados al exportar.
  • Problema: bloqueos repentinos de IP. Causa: ritmo demasiado agresivo. Solución: reduce el paralelismo a un hilo por IP, aumenta las pausas, utiliza una sesión sticky de longitud razonable.
  • Problema: codificación incorrecta en CSV. Causa: configuraciones locales del sistema. Solución: usa XLSX o importa CSV estableciendo explícitamente UTF-8.

Funciones adicionales

Configuraciones avanzadas:

  • Planificación de rotación: configura múltiples cambios de IP en el panel del proveedor antes del inicio de cada ejecución programada. Esto disminuirá la posibilidad de acumular huellas de comportamiento en una IP.
  • Sesiones sticky para tarjetas: al entrar en la tarjeta del producto, fija la IP durante 5–10 minutos para finalizar la recopilación desde una misma dirección. Esto reduce el riesgo de discrepancias.
  • Limpieza de datos sobre la marcha: utiliza “Limpiar datos” en Octoparse y “Transformar” en ParseHub para estandarizar precios, calificaciones y enlaces durante la recopilación.
  • Separación de tareas: divide la recopilación en dos etapas: lista y tarjetas. Primero, recopila ProductURL y luego pasa por ellas por separado. Esto simplifica el control de calidad y reinicios.
  • Integraciones: exporta directamente a Google Sheets o bases de datos, si tu plan lo permite. Configura alertas sobre la calidad de los datos.

Optimización:

  • Velocidad vs estabilidad: no persigas la máxima velocidad. Estables 1–2 páginas por minuto son a menudo mejores que picos con riesgo de bloqueos.
  • Regionalidad: si el sitio es geosensible, elige proxies móviles de una región específica para obtener resultados consistentes.

Consejo: Mantén un “pasaporte del proyecto”: enumera el sitio, la frecuencia, límites, rotación, puntos de falla y contactos de soporte del proxy. Esto acelera la reacción ante incidentes.

FAQ

Pregunta: ¿Cómo saber si el proxy es realmente móvil?
Respuesta: En el panel del proveedor se indica el tipo de red (3G/4G/5G) y operador. Además, las IPs móviles a menudo cambian durante la rotación y tienen rangos específicos de operadores de telecomunicaciones.

Pregunta: ¿Se puede usar un proxy móvil en dos tareas simultáneamente?
Respuesta: No se recomienda. Un hilo por IP móvil es óptimo para la estabilidad. Escala en cantidad de proxies.

Pregunta: ¿Qué elegir: rotación en el proveedor o en el scraper?
Respuesta: Es más seguro la rotación en el proveedor. En el scraper, deja pausas y timeouts básicos, y haz el cambio de IP desde el panel de proxies, para evitar conflictos.

Pregunta: ¿Cómo manejar captchas?
Respuesta: Reduce la velocidad, aumenta las pausas, utiliza rotación más suave y menor paralelismo. Trabaja siempre dentro de las reglas permitidas del sitio y la legislación.

Pregunta: ¿Qué hacer si el sitio cambia su diseño?
Respuesta: Reconfigura los selectores: en Octoparse actualiza “Extraer datos” en los nuevos elementos; en ParseHub crea selecciones precisas. Siempre prueba en 2–3 páginas.

Pregunta: ¿Cómo almacenar las contraseñas de proxies de manera segura?
Respuesta: Usa un gestor de contraseñas y cuentas separadas para proyectos educativos y operacionales. No guardes las contraseñas en documentos abiertos.

Pregunta: ¿Cómo ser rápido en comprobar que la rotación se ha efectivado?
Respuesta: Verifica en el panel del proveedor o realiza una rápida consulta a un servicio que muestre IP en el navegador a través de este proxy antes de iniciar la tarea.

Pregunta: ¿Cómo evitar duplicados en ejecuciones regulares?
Respuesta: Mantén el campo clave (por ejemplo, ProductURL) y compáralo con el historial. Usa filtración de duplicados al importar a tu almacenamiento.

Pregunta: ¿Se pueden combinar datos de Octoparse y ParseHub?
Respuesta: Sí. Unifica las exportaciones por la clave ProductURL y prioriza dejar el campo donde la completitud es mayor. Esto ayuda a validar el resultado.

Pregunta: ¿Dónde encontrar todos los pasos para configurar el proxy en esta guía?
Respuesta: Ve a las secciones “Paso 3” y “Paso 4” a través de los enlaces internos: configuración del proxy en Octoparse y configuración del proxy en ParseHub.

Conclusión

En resumen: has instalado y configurado Octoparse y ParseHub, conectado a proxies móviles, creado plantillas de scraping funcionales con paginación y validación, configurado anti-baneo, exportación y ejecuciones regulares. Al final, tendrás un proceso reproducible de recopilación de datos sin código, resistente a bloqueos gracias a un ritmo cuidadoso y a las IPs móviles.

¿Qué hacer a continuación? Escala el volumen agregando proxies móviles y horarios, mejora la calidad a través de transformaciones de datos, integra exportaciones en BI o CRM. Si utilizas servicios como mobileproxy.space, explora las funciones adicionales en el panel de rotación y los registros de actividad.

¿A dónde avanzar? Aprende a analizar la estructura de páginas complejas, utiliza limpieza avanzada y normalización de datos, añade control de calidad con umbrales de llenado. Para tareas avanzadas, considera pipelines en cascada: primero recopila la lista, luego las tarjetas, después los medios. Recuerda: siempre trabaja dentro de las reglas del sitio y la legislación.

Consejo: Antes de cualquier cambio significativo, haz una copia de seguridad del proyecto y guarda la configuración actual del proxy por separado. Esto ahorrará tiempo al revertir cambios.