Los desafíos CAPTCHA (Completely Automated Public Turing Test to Tell Computers and Humans Apart) están diseñados para impedir que los bots accedan a los sitios web. La resolución de CAPTCHA es la otra cara de la moneda: las técnicas que usan los scrapers para superar esas comprobaciones y seguir recopilando datos.
Tipos comunes de CAPTCHA
- CAPTCHA de imagen o texto: caracteres distorsionados, casillas de verificación o cuadrículas de selección de objetos.
- reCAPTCHA: el motor de riesgo adaptativo de Google (casilla v2, puntuación v3 y Enterprise).
- Trampas honeypot: campos de formulario ocultos que solo rellenan los bots.
- Desafíos de comportamiento: movimiento del ratón, ritmo y puntuación de sesión en lugar de un puzle visible.
Cómo funciona la resolución de CAPTCHA
Los enfoques se dividen en cuatro grupos:
- OCR y visión artificial para puzles sencillos de imagen o texto.
- API de resolución de terceros que devuelven tokens o respuestas resueltas para servicios como reCAPTCHA.
- Redes de resolución humana en las que personas completan los desafíos en tiempo real.
- Emulación de navegador que evita activar un desafío al reproducir las huellas TLS, los encabezados y el comportamiento de sesión (consulta huella del navegador y elusión de anti-bots).
La resolución de CAPTCHA en el web scraping
Los sitios protegidos por Cloudflare, Akamai o DataDome suelen combinar los CAPTCHA con comprobaciones de reputación de IP y de huella. Un solucionador por sí solo rara vez basta: normalmente también necesitas proxies rotativos, sesiones de navegador realistas y limitación de peticiones.
Lee nuestras guías sobre cómo hacer scraping de Indeed, bibliotecas de Python para sortear anti-bots y si el web scraping es legal antes de desplegar solucionadores de CAPTCHA en producción.
Consideraciones legales y éticas
Sortear los CAPTCHA para acceder a datos protegidos por controles de acceso puede plantear problemas legales según la CFAA, los términos de servicio de los sitios y los marcos regulatorios. Usa la resolución de CAPTCHA solo en páginas disponibles públicamente, con fines legítimos y con una base legal clara cuando haya datos personales de por medio. Consulta las normativas de privacidad sobre el RGPD y reglas similares.