La versión honesta de la pregunta sobre proxies gratis frente a proxies de pago no trata sobre la calidad en abstracto. Trata sobre qué fallos estás dispuesto a asumir. Los proxies gratuitos son genuinamente gratuitos, y para un puñado de solicitudes contra una página pública a veces funcionan. Los proxies de pago cuestan dinero y eliminan una categoría de problema que se vuelve costosa en cuanto la recopilación de datos importa para el negocio.
Qué es realmente una lista de proxies gratuitos
Las listas de proxies gratuitos son, salvo pocas excepciones, el resultado de un escaneo a escala de internet. Un escáner rastrea el espacio de direcciones en busca de hosts que respondan en los puertos habituales de proxy, comprueba si reenviarán una solicitud y publica los que lo hacen. Esos hosts se dividen en tres grupos.
Algunos son configuraciones erróneas. Un servidor, router o dispositivo se desplegó con un puerto proxy abierto y su propietario no lo sabe. Seguirá funcionando hasta que alguien lo note y lo cierre, lo cual podría ocurrir mañana mismo.
Algunos son relés abiertos deliberados, gestionados por personas a las que les gusta la idea de un servicio público. Estos son el mejor de los casos y los más escasos.
Y algunos se operan específicamente para situarse en medio del tráfico de otras personas. Es una posición barata de comprar y valiosa de mantener, porque el operador ve todo lo que pasa por ella.
Ninguno de los tres tiene ninguna obligación contigo, ningún compromiso de capacidad, ni motivo para seguir ahí cuando tu trabajo se ejecute mañana.
La cuestión de seguridad, expresada con precisión
La advertencia habitual es que los proxies gratuitos roban tus datos. Eso es lo bastante impreciso como para descartarlo fácilmente, así que aquí va la versión exacta.
Un operador de proxy ve el destino de cada solicitud que envías. En HTTP simple, ve el contenido completo en ambas direcciones y puede modificarlo. En HTTPS, el transporte está cifrado de extremo a extremo y el operador ve el nombre de host y el patrón de tráfico, no el contenido. Esa es la protección que hace que usar un proxy resulte tolerable siquiera.
El modo de fallo es lo que ocurre después. Un operador que quiere el contenido puede presentar su propio certificado y esperar que el cliente lo acepte. Un cliente configurado correctamente lo rechaza y la solicitud falla. Lo que pasa en la práctica es que alguien que está depurando un scraper que no consigue conectar a través de un proxy gratuito desactiva la verificación de certificados, las solicitudes empiezan a funcionar, y la única protección que importaba desaparece. El proxy ahora lee todo, incluidas las credenciales que envíe el script.
Así que la regla es acotada y merece decirse con claridad: nunca envíes tráfico autenticado, credenciales, datos personales o cualquier cosa comercialmente sensible a través de un proxy cuyo operador no puedas identificar. Leer una página pública es una categoría de riesgo distinta a iniciar sesión en una cuenta.
Qué falla primero a volumen
La seguridad es la objeción dramática. La fiabilidad es la que acaba con el experimento.
Las listas gratuitas se degradan en horas. Una gran parte de las entradas ya están muertas cuando se publican, y entre las que responden, muchas ya son conocidas por los sitios a los que quieres acceder, porque miles de personas más están empujando tráfico a través de la misma dirección. No estás obteniendo una IP nueva, estás obteniendo una dirección con reputación pública y un historial que no has creado tú.
El rendimiento no está gestionado. Cada host de la lista lo usa todo el mundo que la encontró, así que la latencia varía en órdenes de magnitud entre solicitudes y las conexiones se cortan a mitad de respuesta. Los timeouts dejan de ser una condición de error y se convierten en el caso normal, lo que significa que tanto tu lógica de reintentos como tu parser tienen que escribirse pensando en el ruido.
No hay segmentación geográfica que merezca ese nombre. Las entradas están etiquetadas con un país, las etiquetas suelen ser incorrectas, y no hay ningún control de ciudad, ASN o operadora. Para cualquier tarea en la que el objetivo sea ver una página tal como la ve un usuario local, adivinar no es una estrategia.
No hay control de sesión. Cualquier cosa que necesite la misma dirección a lo largo de varios pasos, paginación tras un cursor, una selección de ubicación guardada, un flujo de varias páginas, no se puede hacer, porque no tienes forma de solicitar la misma dirección dos veces.
Y no hay visibilidad. Cuando una tarea produce la mitad de los registros esperados, no hay nada que inspeccionar: ni tasa de éxito, ni desglose de errores, ni registro por solicitud. Te quedas adivinando si el objetivo cambió, si el parser se rompió, o si el proxy simplemente falló.
Qué cambia realmente al pagar
Una red de pago vende lo que la lista no puede: direcciones con origen conocido, un pool lo bastante grande como para que ninguna dirección aislada cargue con todo tu trabajo, control geográfico que es preciso en lugar de aspiracional, comportamiento de sesión que eliges por solicitud, y una tasa de éxito de la que alguien responde.
Los proxies residenciales enrutan a través de conexiones reales de consumidores, que es lo que hace que funcionen contra sitios orientados al consumidor con gestión de bots madura. Los proxies ISP ofrecen el mismo perfil de confianza con una dirección estática, que es lo que necesitan los flujos con estado. Los proxies de datacenter siguen siendo los más baratos por solicitud y son la respuesta correcta en objetivos que no se defienden. Elegir entre ellos es una decisión de enrutamiento, y el acceso de pago es lo que convierte eso en una decisión real en lugar de una esperanza.
El origen de las IP es parte de lo que estás comprando y vale la pena preguntarlo. Una red residencial se construye a partir de pares cuyos dispositivos transportan el tráfico, y si esos pares consintieron con conocimiento de causa es una diferencia real entre proveedores, tanto a nivel ético como en cuanto a la estabilidad del pool con el tiempo. Es una pregunta justa que plantear a cualquier proveedor antes de firmar.
Cuándo lo gratuito es la respuesta correcta
Los proxies gratuitos no son una estafa, y hay casos en los que pagar no tiene sentido.
Comprobar si una página se muestra de forma distinta en otro país, una sola vez. Aprender cómo funciona la configuración de proxies antes de comprometerte con un plan. Leer una página pública, no sensible, donde un fallo no cuesta nada y un reintento es gratis. Un experimento desechable que nunca se ejecutará dos veces.
El hilo común es que nada depende de que la solicitud tenga éxito. En el momento en que algo depende de ello, ya sea un informe, un feed de precios, una tarea de monitorización o cualquier cosa con una fecha límite, la aritmética se invierte.
La aritmética
El argumento a favor de pagar se suele plantear en términos de calidad. Resulta más convincente en términos de coste.
Toma una tarea modesta: unos pocos miles de páginas públicas al día. Con infraestructura gratuita, la mayoría de las solicitudes fallan o devuelven páginas de desafío, así que el rastreador reintenta, y los reintentos también fallan. Un ingeniero se pasa una semana construyendo rotación, comprobación de estado y lógica de reintentos para lidiar con un pool de direcciones que es poco fiable por diseño, y luego dedica tiempo cada mes a mantenerlo funcionando a medida que la lista se renueva. Esa semana vale más que varios años de un plan pequeño de proxies.
La versión de pago de la misma tarea se factura por ancho de banda. El tráfico residencial a $1.00/GB contra páginas de texto, con imágenes y fuentes bloqueadas, sitúa una tarea así en unos pocos dólares al mes. El tiempo de ingeniería se dedica al parser y al análisis en lugar de a sortear la infraestructura.
Ese es todo el argumento. Los proxies gratuitos no cuestan nada, trasladan el coste de la factura al calendario de ingeniería, y añaden una categoría de riesgo que no aporta ninguna ventaja.
Cómo elegir un proveedor de pago
Una vez tomada la decisión, los criterios de evaluación útiles son operativos, no cosméticos. El tamaño del pool y el número de países son las cifras destacadas y las menos informativas. Lo que importa es si las tasas de éxito se mantienen durante tu ventana de recopilación, si la segmentación geográfica resuelve a la ciudad o ASN que solicitaste, si las sesiones rotativas y persistentes están ambas disponibles en una misma cuenta, si la concurrencia tiene límite, y si el uso es visible en tiempo real en lugar de a final de mes.
La medición independiente vale más que las afirmaciones del proveedor, por eso los datos de nuestra propia red están en la página de benchmarks con el método incluido, en lugar de simplemente afirmarse en un artículo. La red residencial de Shifter cubre más de 205M de IP en más de 195 países con segmentación a nivel de ciudad y ASN, sesiones rotativas y persistentes, y conexiones concurrentes ilimitadas, y el precio es por GB sin cargo por IP.
La versión breve
Los proxies gratuitos son adecuados para la curiosidad e inadecuados para cualquier otra cosa. Son poco fiables por construcción, opacos respecto a quién los opera, y peligrosos en el momento en que hay credenciales de por medio.
Los proxies de pago no son mejores porque cuesten dinero. Son mejores porque alguien responde por el pool, la geografía es real, las sesiones se comportan como deben, y los fallos son visibles. Para cualquier tarea de recopilación de la que dependa una persona o un informe, eso no es un lujo. Es la especificación mínima.
Sigue leyendo: cómo evitar bloqueos al hacer scraping.