Guías, Tutoriales e Ideas
Aprende sobre proxies residenciales, web scraping, estrategias de recopilación de datos y buenas prácticas del sector con el equipo de Shifter.
Extracción con LLM vs selectores: cuándo dejar que un modelo lea la página
Hicimos que un modelo de lenguaje extenso extrajera campos de 18 páginas de noticias en vivo y lo comparamos con los datos estructurados propios de esas páginas. Precisión, coste y cuándo usarlo.
Chris Collins · 28 de septiembre de 2026 Detección de cambios a escala: comparar páginas web sin ahogarse en el ruido
Las páginas cambian en cada carga: anuncios, marcas de tiempo, tokens. Cómo distinguir los cambios reales del ruido con normalización, diffs a nivel de campo y simhash, con código probado.
Chris Collins · 27 de septiembre de 2026 Deja de analizar HTML: extracción de datos estructurados desde JSON-LD y datos incrustados
La mayoría de las páginas ya incluyen datos legibles por máquina. Cómo extraer JSON-LD y JSON incrustado en lugar de usar selectores frágiles, y qué hacer cuando están incompletos.
Matt Brown · 26 de septiembre de 2026 Cómo construir un Target Health Score: saber cuándo un sitio se está volviendo en tu contra
Los sitios rara vez bloquean un rastreador en un solo paso. Primero desafían, aplican bloqueos parciales y ralentizan. Cómo convertir esas señales en una puntuación por sitio, y actuar en consecuencia.
Matt Brown · 22 de septiembre de 2026 Programación de rastreo con conciencia de costes: gastar tu presupuesto donde cambia
La mayor parte del presupuesto de rerastreo se gasta en confirmar que nada ha cambiado. Cómo programar según el valor esperado por coste, y por qué las páginas que cambian más rápido no son la mejor compra.
James Meadow · 22 de septiembre de 2026 Backpressure y control de flujo en crawlers distribuidos
Un crawler es una tubería, y su etapa más rápida inundará a la más lenta. Cómo las colas acotadas, el trabajo basado en extracción y los límites adaptativos por host mantienen estable a un crawler.
Chris Collins · 22 de septiembre de 2026 Ejecución de scrapers en CI/CD: credenciales de proxy, secretos y ejecuciones de prueba
Cómo ejecutar scrapers en CI sin filtrar credenciales de proxy ni consumir ancho de banda en cada push: almacenamiento de secretos, niveles de prueba, sesiones, comprobaciones de cuota y rotación.
Chris Collins · 21 de septiembre de 2026 Cómo monitorizar las reseñas y valoraciones de empleadores en distintos sitios
Las reseñas de empleadores determinan quién solicita empleo. Cómo monitorizar valoraciones y temas en distintos sitios de reseñas, comparar con la competencia y cumplir las normas de cada sitio.
James Meadow · 19 de septiembre de 2026 Cómo crear conjuntos de datos de entrenamiento a gran escala a partir de la web abierta
Recopilar páginas es la parte fácil. Cómo convertir un rastreo de la web abierta en un corpus de entrenamiento: frontera, exclusiones voluntarias, extracción, filtrado, deduplicación y descontaminación.
Matt Brown · 18 de septiembre de 2026