≡En resumen
- Extraer datos web es una técnica neutra: lo que la hace legal o ilegal es qué datos tomas, de dónde, cómo y para qué.
- Si los datos identifican a personas, el RGPD se aplica aunque sean públicos: necesitas base legal, informar y minimizar.
- Copiar una parte sustancial de una base de datos protegida puede infringir el derecho sui generis de su fabricante.
- robots.txt expresa la voluntad del titular, pero la RFC 9309 aclara que no es un mecanismo de autorización de acceso.
- Antes de hacer scraping, comprueba si existe una API oficial o un acuerdo de acceso a datos.
01 ¿Qué es la web data extraction?
En la práctica se usa como sinónimo de web scraping. La explicación técnica de cómo funcionan los scrapers y qué herramientas existen la tienes en la ficha de técnicas de web scraping; aquí nos centramos en lo que suele preocupar antes de empezar un proyecto: los límites legales en la Unión Europea y cómo hacerlo de forma ética.
02 Métodos de extracción de datos web
| Método | Cómo funciona | Ventajas | Riesgos |
|---|---|---|---|
| API oficial | El titular ofrece un acceso documentado a sus datos | Estable, legal por contrato, datos limpios | Límites de uso y posible coste |
| Feeds y datos abiertos | RSS, sitemaps, portales de datos abiertos, catálogos de producto | Pensados para reutilizarse, con licencia explícita | Cobertura limitada |
| Datos estructurados en la página | Lectura de marcado schema.org, JSON-LD o metadatos | Menos frágil que el HTML visual | Sigue sujeto a las condiciones del sitio |
| Scraping de HTML | Descarga de páginas y extracción con selectores | Funciona casi con cualquier web | Se rompe con cada rediseño; más exposición legal |
| Navegador automatizado | Un navegador sin interfaz ejecuta JavaScript e interactúa | Accede a contenido dinámico | Mucho más pesado para el servidor ajeno |
La extracción no debe confundirse con el web crawling: el crawler recorre y descubre páginas siguiendo enlaces; el extractor toma datos concretos de ellas. Muchos proyectos combinan ambos. Y si el sitio ofrece una API oficial, casi siempre es la opción más segura.
03 Datos personales: el RGPD también se aplica a lo público
El error más común es pensar que un dato publicado en Internet es libre. Si identifica o permite identificar a una persona (nombre, email, teléfono, foto, perfil profesional), su recogida automatizada es un tratamiento de datos personales y se rige por el RGPD y, en España, por la normativa de protección de datos.
- ✓Base jurídica: normalmente interés legítimo, con una ponderación documentada frente a los derechos de las personas.
- ✓Deber de informar: el artículo 14 del RGPD obliga a informar cuando los datos no se obtienen del interesado.
- ✓Minimización: recoge solo los campos necesarios para el fin concreto, no el perfil completo.
- ✓Categorías especiales: salud, ideología o datos biométricos (como fotos usadas para reconocimiento facial) tienen un régimen mucho más estricto.
- ✓Plazo de conservación y medidas de seguridad definidos desde el principio.
- ✓Evaluación de impacto si la extracción es masiva o permite perfilar personas.
04 Derecho sui generis, derechos de autor y términos de uso
Derecho sui generis de bases de datos
La Directiva 96/9/CE protege al fabricante que ha hecho una inversión sustancial en obtener, verificar o presentar los datos. Prohíbe extraer o reutilizar una parte sustancial, o partes no sustanciales de forma repetida y sistemática.
Derechos de autor
Textos, fotos, descripciones de producto o reseñas pueden ser obras protegidas. Extraer el dato (un precio) no es lo mismo que copiar el contenido creativo (la descripción).
Minería de textos y datos
La Directiva (UE) 2019/790 permite la minería de textos y datos, pero en el caso general (artículo 4) el titular puede reservarse ese uso por medios de lectura mecánica en contenidos publicados online.
Términos de uso
Las condiciones del sitio pueden prohibir la extracción automatizada. Si las aceptas (por ejemplo, al registrarte), incumplirlas es un problema contractual.
| Asunto | Fecha | Qué aclaró |
|---|---|---|
| C-30/14 Ryanair v PR Aviation | 15 de enero de 2015 | Si una base de datos no está protegida ni por derecho de autor ni por el derecho sui generis, su titular puede limitar su uso mediante condiciones contractuales |
| C-762/19 CV-Online Latvia | 3 de junio de 2021 | Un metabuscador que copia e indexa una base de datos accesible en abierto realiza extracción y reutilización, pero solo infringe el derecho sui generis si perjudica la inversión del fabricante |
05 robots.txt y otras señales del titular
El archivo robots.txt indica qué rutas no quiere el titular que visiten los programas automáticos. La RFC 9309, que lo estandarizó en septiembre de 2022, deja claro que sus reglas no son una forma de autorización de acceso: no bloquean técnicamente a nadie. Aun así, ignorarlo es una mala práctica y un indicio en contra si hay un conflicto, y en el contexto de la minería de datos puede funcionar como reserva de derechos por medios de lectura mecánica.
06 Ética y buenas prácticas de extracción
-
1
Define el fin y los campos
Escribe qué datos necesitas, para qué y durante cuánto tiempo. Si hay datos personales, documenta la base legal.
-
2
Busca la vía oficial
API, datos abiertos o acuerdo con el titular antes que scraping.
-
3
Lee términos y robots.txt
Respeta las rutas excluidas y las prohibiciones expresas, y guarda evidencia de lo que revisaste.
-
4
No cargues el servidor ajeno
Limita la frecuencia de peticiones, trabaja en horas de poco tráfico y usa caché para no repetir descargas.
-
5
Identifícate
Usa un agente de usuario reconocible con un contacto. No sortees logins, CAPTCHAs ni bloqueos técnicos.
-
6
Toma datos, no obras
Extrae hechos (precios, disponibilidad, fechas) y evita copiar textos o fotos protegidos.
-
7
Revisa periódicamente
Las condiciones de los sitios y la normativa cambian; revisa el proyecto cada cierto tiempo.
07 Usos legítimos habituales y cómo implantarlos
Seguimiento de precios
Comparar tarifas y disponibilidad de productos con la competencia.
Agregación de tus propias fuentes
Unificar datos de tus marketplaces, proveedores o portales en un solo panel.
Investigación de mercado
Analizar volumen de ofertas, reseñas agregadas o tendencias sin datos personales.
Alimentar sistemas de IA
Reunir documentación propia o con licencia para asistentes internos.
Cuando la extracción forma parte de un proceso de negocio, lo sensato es integrarla con el resto de herramientas y con controles de calidad. Lo hacemos en proyectos para automatizar procesos con IA y, cuando requiere un panel o una herramienta propia, dentro del desarrollo de aplicaciones web.
Preguntas frecuentes sobre Web Data Extraction
Es la obtención automatizada de datos publicados en webs para convertirlos en información estructurada, mediante scraping, APIs o feeds.
Depende de qué datos extraigas, cómo y para qué. Extraer datos no personales y públicos respetando las condiciones del sitio suele ser posible; tomar datos personales, copiar una parte sustancial de una base de datos o saltarse barreras técnicas puede ser ilegal.
Solo cumpliendo el RGPD: base jurídica, deber de informar, minimización y plazo de conservación. Que un dato sea público no lo excluye de la protección de datos.
No bloquea técnicamente a nadie y la RFC 9309 aclara que no es una autorización de acceso, pero ignorarlo es mala práctica y puede pesar en tu contra en un conflicto.
El crawling recorre la web siguiendo enlaces para descubrir páginas; el scraping extrae datos concretos de ellas. Se suelen usar juntos.
Es la protección que la Directiva 96/9/CE da al fabricante de una base de datos con inversión sustancial, que le permite impedir la extracción o reutilización de partes sustanciales de su contenido.
APIs oficiales, portales de datos abiertos, feeds de producto y acuerdos directos de acceso a datos con el titular.
Fuentes consultadas
Sobre el autor
Germán Gutiérrez
Development Manager en appyweb
Dirige el equipo de desarrollo de appyweb: aplicaciones web y móviles, SaaS, integraciones y arquitectura de software.
Ver perfil en LinkedIn ↗