Domina el screen scraping en Python: Una guía práctica para 2026

En esencia, el screen scraping en Python consiste simplemente en escribir código para obtener datos del HTML de un sitio web, igual que lo hace un navegador, pero de forma automática. Cuando un sitio no ofrece una API limpia para conseguir los datos que necesitas, este es tu método de referencia. Con un par de librerías clave como Requests para descargar la página y BeautifulSoup para interpretar su contenido, puedes construir herramientas potentes para todo, desde estudios de mercado hasta seguimiento de precios.

Primeros pasos: las bases del screen scraping en Python

Es tentador encontrar un sitio web lleno de datos y empezar a escribir código de inmediato. Yo he pasado por eso. Pero créeme, un poco de planificación al principio te ahorra muchísimos dolores de cabeza más adelante. La primera pregunta que debes hacerte es si el screen scraping es siquiera el enfoque correcto.

Cuándo hacer scraping y cuándo usar una API

Antes de cualquier otra cosa, comprueba si el sitio web ofrece una API pública (Application Programming Interface). Una API es la forma “oficial” de obtener datos. Es estructurada, fiable y mucho menos propensa a romperse cuando el sitio actualiza su diseño. Piénsalo como pedir de un menú: está diseñado para ti.

El screen scraping es lo que haces cuando no hay menú. Es tu mejor opción cuando:

• No existe una API pública. Esta es la razón número uno para construir un scraper.
• A la API le falta lo que necesitas. A veces existe una API pero no expone puntos de datos clave, como precios históricos o reseñas de usuarios.
• La API es demasiado cara o restrictiva. Algunas APIs tienen costos altos o límites de uso estrictos que simplemente no funcionan para la escala o el presupuesto de tu proyecto.

Si hay una buena API, úsala. Te hará la vida más fácil. Si no, bienvenido al mundo del scraping: Python te cubre.

Configurar tu entorno de scraping

Muy bien, ya has confirmado que el scraping es el camino a seguir. Ahora, preparemos tu entorno local. Es un proceso sencillo que será la base de todos tus proyectos de scraping.

Primero, asegúrate de tener Python 3 instalado. Puedes comprobarlo abriendo tu terminal o símbolo del sistema y ejecutando el comando correspondiente.

No me canso de insistir en esto: usa siempre un entorno virtual para tus proyectos. Mantiene todas las librerías de un proyecto separadas de las de los demás, lo que evita un mundo de problemas por conflictos de versiones. Puedes crear uno fácilmente con:

python -m venv venv

Para usarlo, tendrás que activarlo. En macOS/Linux es de una forma, y en Windows lo ejecutas de otra. Sabrás que funciona cuando veas el indicador al inicio de tu símbolo del sistema.

Con el entorno activo, es hora de instalar el dúo clásico para el screen scraping básico en Python:

• Requests: esta es tu herramienta para descargar páginas web. Es una librería HTTP limpia y simple que se encarga de hacer la petición y obtener la respuesta.
• BeautifulSoup: una vez que tienes el HTML de la página, esta librería es una salvación para analizarlo. Convierte HTML desordenado en un objeto estructurado por el que puedes navegar y buscar fácilmente.

Instala ambas con un solo comando usando pip, el gestor de paquetes de Python:

pip install requests beautifulsoup4

Esta combinación es perfecta para hacer scraping de sitios web estáticos: páginas donde todo el contenido está presente en el documento HTML inicial que descargas. Con estas herramientas instaladas, estás oficialmente listo para empezar a descargar páginas y extraer los datos que necesitas.

Scraping de sitios web estáticos con Requests y BeautifulSoup

Muy bien, con tu configuración completa, ensuciémonos las manos con el kit de herramientas clásico para el screen scraping en Python: Requests y BeautifulSoup. Esta combinación es una potencia para sitios estáticos: aquellos en los que todo el contenido se entrega en el payload HTML inicial. Es rápida, directa e increíblemente eficaz.

Trabajaremos con un escenario habitual: hacer scraping de datos de productos de un sitio de comercio electrónico de prueba. Imagina una página sencilla que lista productos con sus nombres, precios y valoraciones. Esto es el pan de cada día de proyectos como agregadores de precios o herramientas de estudio de mercado.

Todo el proceso arranca con una simple petición HTTP GET para obtener el código fuente de la página. La librería Requests lo hace casi trivial.

Hacer la petición inicial

Lo primero de todo, tenemos que pedirle al servidor del sitio web la página. Enviamos una petición y, si todo va bien, el servidor devuelve el HTML en bruto. Aquí es donde Requests brilla.

import requests

URL = “https://mock-ecommerce-site.com/products” response = requests.get(URL)

if response.status_code == 200: html_content = response.text else: print(f”Failed to retrieve the page. Status code: {response.status_code}”)

Un código de estado 200 es nuestra luz verde, que confirma que el servidor envió la página. El HTML en bruto está ahora en la variable. Si lo imprimes, verás un muro de texto: un revoltijo de etiquetas y contenido. Ahí es donde entra BeautifulSoup a poner orden en la fiesta.

Analizar HTML con BeautifulSoup

BeautifulSoup es un maestro convirtiendo esa caótica cadena de HTML en un objeto estructurado y consultable. Crea un “árbol de análisis” (parse tree) por el que podemos navegar para encontrar exactamente lo que necesitamos.

Para hacerlo, le pasamos nuestro HTML a BeautifulSoup y le indicamos qué parser usar. Yo normalmente uso lxml porque es excepcionalmente rápido, pero el parser integrado de Python también es una opción sólida.

from bs4 import BeautifulSoup

soup = BeautifulSoup(html_content, “lxml”)

Ahora el objeto soup es nuestra llave a los datos. Es hora de empezar a excavar.

Localizar datos con selectores CSS

Para extraer datos concretos como nombres de productos y precios, tienes que hacer de detective. Usa las herramientas de desarrollador de tu navegador (clic derecho sobre un elemento e “Inspeccionar”) para descubrir la estructura HTML. Buscas patrones consistentes, como etiquetas, clases o IDs específicos que marquen los datos que quieres.

Imaginemos que nuestra inspección revela esta estructura:

• Cada producto está en un div con una clase concreta.
• El nombre está dentro de un elemento con una clase concreta.
• El precio está en un elemento con una clase concreta.

Podemos decirle a BeautifulSoup que encuentre todos los elementos con esa clase usando el método correspondiente. Esto nos dará una lista de cada producto de la página.

product_cards = soup.find_all(“div”, class_=“product-card”)

Con nuestra lista de tarjetas de producto lista, podemos recorrerlas una por una. Para cada tarjeta, profundizaremos para encontrar el nombre y el precio que contiene.

Así es como recorrerías las tarjetas, extraerías los datos y los limpiarías:

scraped_products = []

for card in product_cards: # Find the product title element and get its text name_element = card.find(“h3”, class_=“product-title”) name = name_element.text.strip() if name_element else “N/A”

print(scraped_products)

Fíjate en lo que está pasando aquí. No solo estamos obteniendo texto; lo estamos limpiando. Usar strip() elimina los espacios en blanco no deseados, y otra limpieza quita símbolos de moneda y comas para que podamos convertir el precio en un número adecuado (un float). Este paso de saneamiento es absolutamente vital para convertir datos en bruto y desordenados en algo con lo que realmente puedas trabajar.

Para profundizar más en el análisis, nuestra guía práctica de BeautifulSoup para web scraping ofrece técnicas más avanzadas.

Abordar sitios web dinámicos con Playwright

Si alguna vez has hecho scraping de un sitio solo para descubrir que tus datos objetivo están misteriosamente ausentes del HTML en bruto, probablemente te has topado con una página cargada de JavaScript. Es un problema clásico: el contenido que necesitas (listados de productos, precios de vuelos o comentarios de usuarios) se carga después de la petición inicial de la página. Por eso precisamente las herramientas simples como Requests y BeautifulSoup suelen fallar, ya que solo ven el cascarón HTML inicial de la página, a menudo vacío.

Para obtener los datos reales, necesitas una herramienta que pueda pensar y actuar como un navegador. Tiene que ejecutar JavaScript y esperar a que la página se renderice por completo. Aquí es donde entran las herramientas de automatización de navegador, y una de las mejores opciones modernas para el screen scraping en Python es Playwright.

Cuándo usar un navegador headless

Piénsalo así: Requests te da el plano arquitectónico de una casa, la estructura estática. Playwright, en cambio, es como recorrer la vivienda completamente amueblada y decorada después de que los de la mudanza han terminado su trabajo. Arranca un navegador real (normalmente en modo “headless”, sin ventana visible) para cargar la página, ejecutar cada script y dejar que el contenido dinámico se asiente antes de que empieces a hacer scraping.

Necesitarás absolutamente este enfoque para:

• Aplicaciones de página única (SPAs): sitios modernos construidos con frameworks como React, Vue o Angular.
• Feeds de scroll infinito: cronologías de redes sociales o páginas de categorías de comercio electrónico que cargan más elementos a medida que te desplazas.
• Contenido activado por el usuario: datos que solo aparecen después de hacer clic en un botón o interactuar con un filtro.

Hay una contrapartida, claro. Ejecutar una instancia completa de navegador es mucho más lento y consume más memoria y CPU que una simple petición HTTP. Es potente, pero es exagerado para sitios estáticos. Mi regla general es empezar siempre con Requests y solo sacar Playwright cuando las herramientas más simples no pueden hacer el trabajo.

Decidir la herramienta correcta desde el principio puede ahorrarte muchísimos dolores de cabeza. Aquí tienes un resumen rápido para ayudarte a elegir.

Elegir tu librería de scraping en Python

Herramienta

Caso de uso principal

Maneja JavaScript

Velocidad

Requests

Descargar HTML en bruto de páginas web estáticas.

No

Muy rápida

BeautifulSoup

Analizar y extraer datos de HTML/XML.

No

Rápida

Playwright

Scraping de sitios dinámicos, con mucho JS; automatización.

Sí

Más lenta

Al final, a menudo acabarás usando estas herramientas juntas. Playwright puede descargar el HTML dinámico, y luego puedes pasar ese contenido a BeautifulSoup para un análisis más sencillo.

Primeros pasos con Playwright

Poner Playwright en marcha es sencillo. Es un baile de dos pasos: primero, instalas el paquete de Python y, segundo, descargas los binarios del navegador que necesita para funcionar.

pip install playwright

playwright install

Una vez que eso termine, estás listo para empezar a escribir scripts. El flujo básico es siempre el mismo: lanzar un navegador, abrir una nueva página, navegar a tu URL objetivo y luego decirle qué hacer.

Playwright también es una bestia para las pruebas automatizadas, y entender sus otros usos puede convertirte en un mejor scraper. Vale la pena explorar las capacidades de automatización más amplias de Playwright para ver cómo se aplican esos principios de testing a tareas de scraping complejas.

Ponerlo en práctica: esperar al contenido dinámico

Veamos un escenario del mundo real. Estás intentando hacer scraping de una página de producto, pero las reseñas de clientes se cargan mediante JavaScript unos segundos después de que la página carga. Si obtienes el HTML demasiado pronto, no conseguirás nada.

Tu script necesita ser paciente.

from playwright.sync_api import sync_playwright

def scrape_dynamic_reviews(url): with sync_playwright() as p: browser = p.chromium.launch(headless=True) page = browser.new_page() page.goto(url)

La línea más importante aquí es la que espera. Le dice a Playwright que pause todo y espere hasta 30 segundos (el timeout por defecto) a que un elemento que coincida con ese selector CSS aparezca en el DOM. Solo entonces el script avanza para capturar el HTML, asegurando que obtengas el contenido que buscas.

Si estás sopesando tus opciones para el scraping moderno, nuestra guía que compara Puppeteer vs. Playwright desglosa las diferencias con más detalle.

Cómo sortear las defensas anti-scraping

Si llevas algún tiempo haciendo scraping, conoces la sensación. En un momento, tu script avanza sin problemas, extrayendo datos sin fallos. Al siguiente, se detiene en seco, golpeado por un error 403 o una página de CAPTCHA. Esto no es un bug en tu código: es el sistema inmunitario del sitio web entrando en acción, y ve a tu scraper como una amenaza.

Los sitios web acumulan defensas para distinguir a los visitantes humanos de los bots. Entender estas medidas es la clave para construir scrapers que no se rompan a la primera de cambio. Normalmente te encontrarás con una combinación de limitación de velocidad basada en IP, filtrado de user-agent y el temido CAPTCHA. Es una carrera armamentista, y vencer una capa a menudo solo revela la siguiente.

Entender las tácticas defensivas comunes

La defensa más básica es la limitación de velocidad por IP. Si un servidor se ve bombardeado con demasiadas peticiones desde una sola dirección IP, es una clara señal de que hay un bot trabajando. El sitio entonces bloqueará esa IP, temporal o permanentemente. Esto es increíblemente eficaz contra scrapers simples que corren desde tu máquina local o un único servidor.

Otra comprobación fácil para un sitio web es el user agent. Cada navegador envía una cadena para identificarse. La librería de Python, por defecto, envía un user agent que básicamente grita “soy un script”, convirtiéndolo en un blanco fácil para el bloqueo.

Luego, por supuesto, están los CAPTCHAs. Estas “Completely Automated Public Turing tests to tell Computers and Humans Apart” son acertijos diseñados para ser triviales para las personas pero una pesadilla para los bots. Desde simples casillas de “no soy un robot” hasta complicados desafíos de reconocimiento de imágenes, son un obstáculo importante para los scripts automatizados.

El papel de los proxies en la evasión

Para sortear los bloqueos de IP, los servidores proxy son tu herramienta más importante. Un proxy actúa como intermediario, enrutando tus peticiones a través de su propia dirección IP. El sitio web objetivo ve la IP del proxy, no la tuya. Al rotar a través de una lista de proxies, puedes repartir tus peticiones entre muchas IPs diferentes, haciendo que el patrón de tráfico de tu scraper sea mucho más difícil de detectar.

Por lo general, te encontrarás con tres tipos de proxies, y elegir el correcto importa:

• Proxies de centro de datos: estas IPs se originan en servidores de centros de datos. Son rápidos y económicos, pero también fáciles de identificar como no residenciales, lo que significa que los sitios sofisticados a menudo los bloquearán a primera vista.
• Proxies residenciales: son direcciones IP reales de proveedores de servicios de internet (ISPs) asignadas a hogares reales. El tráfico de tu scraper parece provenir de un usuario normal, lo que los hace altamente eficaces, aunque tienen un costo más alto.
• Proxies móviles: son IPs de redes de operadores móviles. Como los proxies más confiables y difíciles de bloquear, también son la opción más cara.

La elección correcta depende por completo de tu objetivo. Para un blog sencillo, los proxies de centro de datos probablemente bastarán. Pero para sitios de comercio electrónico fuertemente protegidos o plataformas de redes sociales, casi con toda seguridad necesitarás proxies residenciales para sacar el trabajo adelante.

Este diagrama de flujo muestra cómo funcionan las herramientas de automatización de navegador al dejar que la página se renderice por completo antes de que el scraper intente extraer cualquier dato.

La conclusión clave aquí es que, para los sitios web modernos y dinámicos, no puedes simplemente obtener el HTML inicial. Tienes que esperar a que el navegador ejecute JavaScript y cargue todo antes de poder acceder al contenido que necesitas.

Más allá de los proxies: imitar el comportamiento humano

Solo cambiar de IP no es una bala de plata. Los sistemas anti-bot avanzados usan el fingerprinting de navegador para crear un ID único para cada visitante. Examinan docenas de puntos de datos -como tu resolución de pantalla, las fuentes instaladas y los plugins del navegador- para ver si eres una persona real. Si ven exactamente la misma huella llegando desde cientos de IPs diferentes, saben que es un bot.

Aquí es donde necesitas empezar a actuar de forma más humana:

• Rota tus User-Agents: no uses solo uno. Cicla a través de una lista de cadenas de user-agent reales y comunes.
• Añade retardos: introduce pausas aleatorias entre tus peticiones. Los humanos no hacen clic en los enlaces con precisión de máquina cada 500 milisegundos.
• Gestiona las cookies: maneja las cookies igual que lo haría un navegador real. Aceptarlas, almacenarlas y reenviarlas en peticiones posteriores es crucial para mantener una sesión.

Mirando hacia adelante, la industria ya está cambiando. Un informe de la industria del web scraping de 2026 proyecta un alejamiento de la gestión manual de proxies hacia sistemas más autónomos. Hacer malabares manualmente con proxies, versiones de navegador y reglas de acceso simplemente ya no es sostenible. Con el auge del fingerprinting sofisticado, la única forma de escalar es aleatorizarlo todo o desplegar navegadores reales en la nube.

En lugar de construir y mantener tú mismo toda esa lógica compleja, envías una única petición a su API. El servicio elige automáticamente el mejor proxy, crea una huella de navegador realista y maneja cualquier CAPTCHA que aparezca. Esto te libera para centrarte en lo que realmente importa: extraer los datos que necesitas.

Para profundizar más en estas tácticas, consulta nuestra guía sobre cómo hacer scraping de un sitio web sin que te bloqueen.

Almacenar datos y escalar tus operaciones de scraping

Conseguir los datos es una gran sensación, pero no es el final del camino. Los datos en bruto y desorganizados son solo ruido hasta que les das un hogar adecuado. El verdadero trabajo empieza cuando necesitas almacenar esos datos de forma fiable y construir un scraper que pueda funcionar por sí solo sin que tú lo vigiles.

Este es el punto en el que tu simple script de screen scraping en Python empieza a convertirse en una verdadera tubería de datos automatizada. Hablemos de persistencia, de hacer tu código a prueba de balas y de prepararlo para una automatización sin intervención.

Elegir tu método de almacenamiento de datos

Para muchos proyectos, lo más fácil es simplemente escribir tus datos en un archivo. No lo compliques de más si no tienes que hacerlo. Las herramientas integradas de Python son fantásticas para esto.

• CSV (Comma-Separated Values): es la lingua franca de los datos. Es perfecto para cualquier cosa tabular y se puede abrir en Excel o Google Sheets. La librería csv es tu mejor amiga aquí: puede convertir una lista de diccionarios en un archivo CSV limpio en apenas un par de líneas.
• JSON (JavaScript Object Notation): si estás tratando con datos más complejos y anidados, JSON encaja mejor. Mantiene la estructura original intacta, algo que un archivo CSV plano simplemente no puede hacer.

Confío en estos para scrapes rápidos y puntuales todo el tiempo. Pero una vez que tu conjunto de datos empieza a crecer, abrir y procesar archivos gigantes se vuelve un verdadero suplicio. Esa es tu señal para subir de nivel a una base de datos.

Una base de datos te da consultas potentes, indexación y garantiza que tus datos se mantengan limpios. Siempre recomiendo empezar con SQLite. Viene integrado directamente en Python, no requiere configuración alguna y funciona desde un único archivo. Para trabajos más grandes con mucha actividad simultánea, querrás graduarte a un servidor de base de datos propiamente dicho como PostgreSQL: es el estándar de la industria por algo.

Construir un scraper resiliente y escalable

Un script que se cae en cuanto encuentra un tropiezo no es escalable. Para construir un scraper en el que puedas confiar para que funcione de forma independiente, tienes que planificar para el fallo. Internet es un lugar impredecible: las redes se caen, los diseños de los sitios cambian y las cosas simplemente se rompen.

Aquí tienes algunas prácticas que incorporo en todo proyecto de scraping serio para hacerlo más robusto:

• Manejo de errores más inteligente: no dejes que todo tu script muera por una única petición fallida. Envuelve tus llamadas de red y tu lógica de análisis en bloques try/except. Si un elemento no se encuentra o una petición agota su tiempo, registra el problema y pasa al siguiente elemento.
• Logging significativo: deja de usar print() para depurar. El módulo logging integrado de Python es una salvación. Te permite escribir actualizaciones de estado detalladas, advertencias y errores críticos en un archivo. Cuando tu scraper falle a las 3 de la madrugada, ese archivo de log es lo único que puede decirte qué salió mal.
• Estructura de proyecto limpia: a medida que tu proyecto crece, la organización es clave. Me gusta separar las responsabilidades en distintos módulos: uno para manejar las peticiones, otro para analizar el HTML y un tercero para escribir en la base de datos. Esto hace que la depuración y el mantenimiento sean infinitamente más fáciles a largo plazo.

Estos hábitos son los que separan un script endeble de una herramienta lista para producción. Garantizan que los pequeños contratiempos no se conviertan en fallos totales, lo cual es absolutamente crucial a medida que empiezas a manejar más datos.

De hecho, el web scraping se ha convertido en una piedra angular para el desarrollo de la IA. Es uno de los casos de uso más candentes proyectados para 2026, ya que los sistemas de IA requieren cantidades masivas de datos para su entrenamiento. La escala es asombrosa: según se informa, OpenAI usó 13 billones de tokens para entrenar GPT-4, y DeepMind de Google trabaja con conjuntos de datos casi inimaginablemente grandes. Esta demanda ha convertido el web scraping en una parte crítica del pipeline de la IA.

Automatizar tus trabajos de scraping

La pieza final del rompecabezas es la automatización. No quieres ser la persona que tiene que ejecutar manualmente un script de Python cada mañana. El objetivo es configurarlo y olvidarte.

El enfoque clásico es un cron job en un servidor Linux (o el Programador de tareas en Windows). Un cron job es simplemente un programador sencillo basado en tiempo que ejecuta tu script de forma recurrente, como todos los días a medianoche.

Para flujos de trabajo más sofisticados, yo miraría herramientas como Apache Airflow u opciones cloud-native como AWS Lambda o Google Cloud Functions. Estas plataformas están construidas para la orquestación, permitiéndote encadenar tareas, gestionar reintentos y enviar alertas cuando algo va mal. Así es como se hace el screen scraping profesional en Python a escala.

Preguntas frecuentes sobre el screen scraping en Python

Cuando empiezas a indagar en la extracción de datos, rápidamente descubres que algunas preguntas surgen una y otra vez. Abordemos esos obstáculos comunes ahora mismo, para que puedas pasar menos tiempo solucionando problemas y más tiempo construyendo scrapers eficaces.

¿Es el screen scraping legal y ético?

Esta es la grande, y con razón. La legalidad del screen scraping en Python no es blanco o negro; es una zona gris que depende de qué estás haciendo scraping, cómo lo estás haciendo y dónde estás.

En general, hacer scraping de datos públicos que no están detrás de un inicio de sesión se considera más aceptable. Los problemas empiezan cuando ignoras las reglas de un sitio web. Si el archivo robots.txt de un sitio te bloquea explícitamente de un directorio, o los términos de servicio prohíben el acceso automatizado, proceder es una jugada arriesgada.

¿Cómo manejo sitios web que cambian su diseño?

Todo desarrollador tiene ese momento: tu scraper, que funcionaba perfectamente ayer, de repente está roto. Un rediseño del sitio es un rito de paso, y construir scrapers resilientes es la única forma de sobrevivir a largo plazo.

El secreto es anclar tu código a señales estables del HTML. No confíes en selectores frágiles basados en el orden. Son lo primero que se rompe.

En su lugar, busca marcadores más permanentes:

• Apunta primero a los atributos. Un ID está pensado para ser único en una página y es mucho menos probable que cambie que una clase.
• Encuentra nombres descriptivos. Una clase con un nombre descriptivo es una apuesta mucho más segura que una generada aleatoriamente.

Un buen logging es tu mejor amigo. Haz que tu script señale un error o envíe una alerta cuando no pueda encontrar un elemento crítico. Esto te avisa de que el diseño del sitio ha cambiado, permitiéndote intervenir y arreglar tus selectores antes de perder demasiados datos.

¿Cuál es la diferencia entre el screen scraping y usar una API?

Piénsalo así: una API es la forma oficial y sancionada de obtener datos, mientras que el screen scraping es el recurso alternativo cuando no hay canal oficial.

Una API (Application Programming Interface) es una forma estructurada para que los programas se comuniquen entre sí. Haces una petición a un endpoint, y te devuelve datos limpios y predecibles, normalmente en un formato como JSON. Es más rápida, más fiable y siempre la opción preferida.

El screen scraping es lo que haces cuando los datos que necesitas no están disponibles a través de una API. Estás analizando el mismo HTML que un humano ve en su navegador, que es desordenado y propenso a cambiar. Comprueba siempre primero si hay una API oficial. El scraping debería ser tu plan B.

¿Con qué librería de Python debería empezar para hacer scraping?

Si estás empezando con el screen scraping en Python, la combinación clásica de Requests y BeautifulSoup es el lugar perfecto para comenzar. Es el estándar por algo.

• Requests es una herramienta brillantemente simple para descargar el HTML en bruto de una página web.
• BeautifulSoup destaca en el análisis de ese HTML, dándote una forma sencilla de navegar por el documento y extraer los datos exactos que quieres.

Este dúo es fantástico para sitios web estáticos. Una vez que le hayas cogido el truco y estés listo para abordar sitios modernos y cargados de JavaScript, estarás bien preparado para pasar a herramientas de automatización de navegador más avanzadas como Playwright.