--- title: "Web Scraping con LlamaIndex y Bright Data" slug: web-scraping-with-llamaindex date: 2025-06-30T09:09:41+00:00 modified: 2025-09-16T16:32:55+00:00 permalink: https://brightdata.es/blog/ai/web-scraping-with-llamaindex type: blog --- [ Blog ](https://brightdata.es/blog "Blog") / [AI](https://brightdata.es/blog/ai) [AI](https://brightdata.es/blog/ai) # Web Scraping con LlamaIndex y Bright Data Descubra cómo utilizar las herramientas LlamaIndex y Bright Data en Python para raspar páginas web, realizar capturas de pantalla, ejecutar búsquedas en Google y automatizar la alimentación de datos fácilmente. 9 min de lectura [ ![Jacob Nulty](https://media.brightdata.es/2024/12/Jacob-Nulty-50x50.jpg) ](https://brightdata.com/blog/authors/jake-nulty) [Jake Nulty Technical Writer ](https://brightdata.com/blog/authors/jake-nulty) ![LlamaIndex & Bright Data Web Scraping](https://media.brightdata.es/2025/06/LlamaIndex-Bright-Data-Web-Scraping.png) A lo largo de esta guía, utilizaremos LlamaIndex para extraer datos con sus [herramientas Bright Data](https://docs.llamaindex.ai/en/stable/api_reference/tools/brightdata/). Cuando haya terminado con este tutorial, usted será capaz de hacer todo lo siguiente. - Extraer datos del sitio web como markdown - Hacer capturas de pantalla de páginas web - Realiza búsquedas en Google desde tu aplicación - Activar recopilaciones a petición mediante fuentes de datos y la API Web Scraper de Bright Data ## Introducción: ¿Qué es LlamaIndex? Antes de la era de la IA, la recopilación de datos era un proceso frágil y de alto mantenimiento. Un solo cambio en el diseño del sitio podía romper todo el proceso. En los tiempos modernos, esto no es así, siempre que se utilicen las herramientas adecuadas. LlamaIndex conecta modelos lingüísticos con herramientas y fuentes de datos externas. Viene preempaquetado con modelos mínimos construidos para funcionar mínimamente con estos conjuntos de herramientas. En nuestro caso concreto, LlamaIndex puede integrarse con [el servidor MCP de Bright Data](/ai/mcp-server). En las siguientes secciones, recorreremos las capacidades del conjunto de herramientas Bright Data de LlamaIndex. Asegúrese de tener instalado Python. ## Requisitos previos Nuestros requisitos aquí son sorprendentemente ligeros. Para operaciones sencillas de scraping, ni siquiera necesitamos un LLM. Necesita LlamaIndex y una clave API de Bright Data, ¡eso es todo! ### LlamaIndex LlamaIndex ofrece un conjunto completo de herramientas que puedes instalar con el siguiente comando. Si sólo quieres raspar la web, no es estrictamente necesario. ```none pip install llama-index ``` Puede instalar sus Bright Data Tools con el siguiente comando a través de pip. ```none pip install llama-index-tools-brightdata ``` ### Datos brillantes En primer lugar, necesita una cuenta con Bright Data. Puede utilizar [este enlace](/products/web-unlocker) para inscribirse en una prueba gratuita con Unlocker. Una vez que tenga una cuenta, **guarde su clave API.** Puede encontrar su clave API en su panel de control de “proxies” de Bright Data o en su [configuración de usuario](/cp/setting/users). ![Cómo encontrar su clave API](https://media.brightdata.com/2025/06/image-50-1024x196.png)## Raspado con LlamaIndex ### BrightDataToolSpec: Su puente hacia Bright Data MCP LlamaIndex nos da acceso a la clase `BrightDataToolSpec`. El siguiente fragmento configura el acceso a todas las herramientas. Recuerde sustituir la clave API por la suya propia y el nombre de la zona por una de sus zonas personales. ```none from llama_index.tools.brightdata import BrightDataToolSpec brightdata = BrightDataToolSpec( api_key="your-api-key", zone="your-zone-name") ``` ### Scrape como Markdown El siguiente fragmento de código le permite raspar cualquier página y devolver su contenido como markdown. El método `scrape_as_markdown(` ) lo hace todo por nosotros. ```none from llama_index.tools.brightdata import BrightDataToolSpec brightdata = BrightDataToolSpec( api_key="your-api-key", zone="your-zone-name") result = brightdata.scrape_as_markdown(url="https://www.amazon.com") print(result.text) ``` Aquí tienes un ejemplo de la salida del comando. Como se puede ver, estamos raspando con éxito los datos de Amazon y convertirlo a markdown. ```none ![](https://m.media-amazon.com/images/G/01/gno/sprites/nav-sprite-global-1x-reorg-privacy._CB546805360_.png) ## Skip to * [ Main content](#skippedLink) --- ## Keyboard shortcuts * Search alt + / * Cart shift + alt + C * Home shift + alt + H * Orders shift + alt + O * Show/Hide shortcuts shift + alt + Z To move between items, use your keyboard's up or down arrows. [ .us ](/ref=nav%5Flogo) Delivering to Bothell 98011 Update location All Select the department you want to search in All Departments Alexa Skills All The Best Pets Amazon Autos Amazon Devices Amazon Fresh Amazon Global Store Amazon Haul Amazon One Medical Amazon Pharmacy Amazon Resale Appliances Apps & Games Arts, Crafts & Sewing Audible Books & Originals Automotive Parts & Accessories Baby Beauty & Personal Care Books CDs & Vinyl Cell Phones & Accessories Clothing, Shoes & Jewelry Women's Clothing, Shoes & Jewelry Men's Clothing, Shoes & Jewelry Girl's Clothing, Shoes & Jewelry Boy's Clothing, Shoes & Jewelry Baby Clothing, Shoes & Jewelry Collectibles & Fine Art Computers Credit and Payment Cards Digital Music Electronics Garden & Outdoor Gift Cards Grocery & Gourmet Food Handmade Health, Household & Baby Care Home & Business Services Home & Kitchen Industrial & Scientific Just for Prime Kindle Store Luggage & Travel Gear Luxury Stores Magazine Subscriptions Metropolitan Market Movies & TV Musical Instruments Office Products Pet Supplies Premium Beauty Prime Video Same-Day Store Smart Home Software Sports & Outdoors Subscribe & Save Subscription Boxes Tools & Home Improvement Toys & Games Under $10 Video Games Whole Foods Market Search Amazon [ EN ](/customer-preferences/edit?ie=UTF8&preferencesReturnUrl=%2F&ref%5F=topnav%5Flang) [ Hello, sign in Account & Lists ](https://www.amazon.com/ap/signin?openid.pape.max%5Fauth%5Fage=0&openid.return%5Fto=https%3A%2F%2Fwww.amazon.com%2F%3F%5Fencoding%3DUTF8%26ref%5F%3Dnav%5Fya%5Fsignin&openid.identity=http%3A%2F%2Fspecs.openid.net%2Fauth%2F2.0%2Fidentifier%5Fselect&openid.assoc%5Fhandle=usflex&openid.mode=checkid%5Fsetup&openid.claimed%5Fid=http%3A%2F%2Fspecs.openid.net%2Fauth%2F2.0%2Fidentifier%5Fselect&openid.ns=http%3A%2F%2Fspecs.openid.net%2Fauth%2F2.0) [ Returns & Orders ](/gp/css/order-history?ref%5F=nav%5Forders%5Ffirst) [ 0 Cart ](/gp/cart/view.html?ref%5F=nav%5Fcart) [ All ](/gp/site-directory?ref%5F=nav%5Fem%5Fjs%5Fdisabled) * [Amazon Haul](/haul/store?ref%5F=nav%5Fcs%5Fhul%5Fdisb) * [Medical Care ](https://health.amazon.com/prime?ref%5F=nav%5Fcs%5Fall%5Fhealth%5Fingress%5Fonem%5Fh) * [Saks](/luxurystores/saks?ref%5F=nav%5Fcs%5Fsaks%5Fdisc) * [Best Sellers](/gp/bestsellers/?ref%5F=nav%5Fcs%5Fbestsellers) * [Amazon Basics](/Amazon%5FBasics?channel=discovbar&field-lbr%5Fbrands%5Fbrowse-bin=AmazonBasics&ref%5F=nav%5Fcs%5Famazonbasics) * [New Releases](/gp/new-releases/?ref%5F=nav%5Fcs%5Fnewreleases) * [Registry](/gp/browse.html?node=16115931011&ref%5F=nav%5Fcs%5Fregistry) * [Groceries ](/fmc/learn-more?ref%5F=nav%5Fcs%5Fgroceries) * [Today's Deals](/deals?ref%5F=nav%5Fcs%5Fgb) * [Gift Cards ](/gift-cards/b/?ie=UTF8&node=2238192011&ref%5F=nav%5Fcs%5Fgc) * [Smart Home](/Smart-Home/b/?ie=UTF8&node=6563140011&ref%5F=nav%5Fcs%5Fsmart%5Fhome) * [Music](/music/player?ref%5F=nav%5Fcs%5Fmusic) * [Prime ](/prime?ref%5F=nav%5Fcs%5Fprimelink%5Fnonmember) * [Customer Service](/gp/help/customer/display.html?nodeId=508510&ref%5F=nav%5Fcs%5Ffs%5Fhub%5Fnavbar%5Fc) * [Books](/books-used-books-textbooks/b/?ie=UTF8&node=283155&ref%5F=nav%5Fcs%5Fbooks) * [Pharmacy](https://pharmacy.amazon.com/?nodl=0&ref%5F=nav%5Fcs%5Fpharmacy) * [Luxury Stores](/luxurystores?ref%5F=nav%5Fcs%5Fluxury) * [Amazon Home](/home-garden-kitchen-furniture-bedding/b/?ie=UTF8&node=1055398&ref%5F=nav%5Fcs%5Fhome) * [Fashion](/amazon-fashion/b/?ie=UTF8&node=7141123011&ref%5F=nav%5Fcs%5Ffashion) * [Toys & Games](/toys/b/?ie=UTF8&node=165793011&ref%5F=nav%5Fcs%5Ftoys) * [Beauty & Personal Care](/Beauty-Makeup-Skin-Hair-Products/b/?ie=UTF8&node=3760911&ref%5F=nav%5Fcs%5Fbeauty) * [Sell](/b/?%5Fencoding=UTF8&ld=AZUSSOA-sell&node=12766669011&ref%5F=nav%5Fcs%5Fsell) * [Gift Shop](/gcx/Gifts-for-Everyone/gfhz/?ref%5F=nav%5Fcs%5Fgiftfinder) * [Automotive](/automotive-auto-truck-replacements-parts/b/?ie=UTF8&node=15684181&ref%5F=nav%5Fcs%5Fautomotive) * [Home Improvement](/Tools-and-Home-Improvement/b/?ie=UTF8&node=228013&ref%5F=nav%5Fcs%5Fhi) * [Computers](/computer-pc-hardware-accessories-add-ons/b/?ie=UTF8&node=541966&ref%5F=nav%5Fcs%5Fpc) * [Sports & Outdoors](/sports-outdoors/b/?ie=UTF8&node=3375251&ref%5F=nav%5Fcs%5Fsports) [Prime Day is July 8-11](/primeday/?%5Fencoding=UTF8&ref%5F=nav%5Fswm%5FUS%5FPD25%5FLU%5FGW%5FSWM%5FAnnounce&pf%5Frd%5Fp=72020f4f-d636-4d60-9e39-399532eba237&pf%5Frd%5Fs=nav-sitewide-msg-text&pf%5Frd%5Ft=4201&pf%5Frd%5Fi=navbar-4201&pf%5Frd%5Fm=ATVPDKIKX0DER&pf%5Frd%5Fr=JA1EM1AGN54HEE871RFM) ``` ### Hacer capturas de pantalla Las capturas de pantalla son otra herramienta excelente para rastrear la web. La mayoría de los LLM modernos pueden ver e interpretar imágenes. En el siguiente fragmento, tomamos una captura de pantalla de la página con el método `get_screenshot()`. ```none from llama_index.tools.brightdata import BrightDataToolSpec brightdata = BrightDataToolSpec( api_key="your-api-key", zone="your-zone-name") result = brightdata.get_screenshot(url="https://example.com", output_path="my-screenshot.png") ``` La captura de abajo proviene de `BrightDataToolSpec`. Este podría ser el método de captura de pantalla más fácil disponible en todo Python. ![Captura de pantalla de example.com](https://media.brightdata.com/2025/06/image-51-1024x442.png)### Motor de búsqueda Al igual que las herramientas anteriores, llamamos al motor de búsqueda mediante un sencillo método `search_engine()`. Utiliza Google por defecto, pero puedes utilizar cualquier motor de búsqueda que desees. Puedes aprender más sobre nuestros parámetros de consulta SERP [aquí](https://docs.brightdata.com/scraping-automation/serp-api/query-parameters/google). Están disponibles los siguientes motores de búsqueda. - Google - Bing - Yandex - DuckDuckGo ```none from llama_index.tools.brightdata import BrightDataToolSpec brightdata = BrightDataToolSpec( api_key="your-api-key", zone="mcp_unlocker") result = brightdata.search_engine( query="Top News Articles" ) with open("output.json", "w") as file: json.dump(json.loads(result.json()), file, indent=4) ``` Observa cómo llamamos a `json.loads()` antes de volcar los datos a un archivo JSON. Incluso cuando se utiliza `.json()`, LlamaIndex muestra su JSON como una cadena. Si desea manejarlo como un `dict`, `json.loads()` lo convierte en un objeto JSON tradicional. He aquí una pequeña porción del archivo JSON que escribe nuestro scraper. ```none { "id_": "34bcf1ea-998a-48ce-beb2-0d6feff950e1", "embedding": null, "metadata": { "query": "Top News Articles", "engine": "google", "url": "https://www.google.com/search?q=Top%20News%20Articles&num=10" }, "excluded_embed_metadata_keys": [], "excluded_llm_metadata_keys": [], "relationships": {}, "metadata_template": "{key}: {value}", "metadata_separator": "\n", "text_resource": { "embeddings": null, "text": "# Accessibility Links\n\nSkip to main content[Accessibility help](https://support.google.com/websearch/answer/181196?hl=en)\n\nAccessibility feedback\n\n[](https://www.google.com/webhp?hl=en&ictx=0&sa=X&ved=0ahUKEwizmMaNvoCOAxUmmYkEHa58MagQpYkNCAo)\n\nPress / to jump to the search box\n\nTop News Articles\n\n[Sign in](https://accounts.google.com/ServiceLogin?hl=en&passive=true&continue=https://www.google.com/search%3Fq%3DTop%2BNews%2BArticles%26num%3D10%26oq%3DTop%2BNews%2BArticles%26uule%3Dw%2BCAIQICINVW5pdGVkIFN0YXRlcw%26hl%3Den%26sourceid%3Dchrome%26ie%3DUTF-8&ec=GAZAAQ)\n\n# Filters and Topics\n\n[AI Mode](/search?q=Top+News+Articles&sca%5Fesv=62890ff6c1b2e448&hl=en&udm=50& ``` ### API de raspado web La [API de raspado](/products/web-scraper) permite crear feeds de datos que activan colecciones bajo demanda. En el código siguiente, utilizamos `web_data_feed()` para activar una colección desde la API de raspado. ```none from llama_index.tools.brightdata import BrightDataToolSpec brightdata = BrightDataToolSpec( api_key="your-api-key", zone="mcp_unlocker") result = brightdata.web_data_feed( source_type="linkedin_person_profile", url="https://www.linkedin.com/in/williamhgates/", timeout=600, polling_interval=30) print(result) ``` Después de unos momentos, dirígete a tu [página de registros](/cp/scrapers/api/logs?). Verás todas tus colecciones registradas y listas para descargar con solo pulsar un botón. ![Los informes Scraper están listos para descargar](https://media.brightdata.com/2025/06/image-52-1024x277.png)## Conclusión Ahora, usted ha nivelado su web scraping y reducir su carga de trabajo drásticamente. Con LlamaIndex, Bright Data y unas pocas líneas de Python, puede extraer casi cualquier dato que desee de la web. Ya se trate de extraer markdown, capturar pantallas, realizar búsquedas en Google o activar trabajos de scraping completos, LlamaIndex y Bright Data le ofrecen la posibilidad de recopilar sus valiosos datos. ¿Listo para pasar al siguiente nivel? Conecte esta potente combinación de herramientas a una canalización de datos en tiempo real o cree un agente de IA. Regístrese ahora para obtener una prueba gratuita y aumente el nivel de su recopilación de datos. Contactar ventasPrueba gratuita![google social icon](/wp-content/themes/brightdata/assets/images/ic_google.svg) Tabla de Contenidos [ ](https://news.ycombinator.com/submitlink?t=Web+Scraping+con+LlamaIndex+y+Bright+Data&u=https://brightdata.es/blog/ai/web-scraping-with-llamaindex) [ ](https://www.linkedin.com/shareArticle?mini=true&title=Web+Scraping+con+LlamaIndex+y+Bright+Data&url=https://brightdata.es/blog/ai/web-scraping-with-llamaindex) [ ](http://www.reddit.com/submit?title=Web+Scraping+con+LlamaIndex+y+Bright+Data&url=https://brightdata.es/blog/ai/web-scraping-with-llamaindex) ## Usted también puede estar interesado en [ ![OpenHuman with Bright Data](https://media.brightdata.es/2026/09/OpenHuman-with-Bright-Data.png) ](https://brightdata.es/blog/ai/openhuman-with-bright-data "Acceso Web Listo para Producción en OpenHuman a Través de la CLI de Bright Data") [AI ![Antonello Zanini](https://media.brightdata.es/2022/12/Antonello-Zanini-2-50x50.jpg) Antonello Zanini Technical Writer ### Acceso Web Listo para Producción en OpenHuman a Través de la CLI de Bright Data Integra la CLI de Bright Data con OpenHuman para habilitar acceso web listo para producción y recopilación de datos para agentes de IA. 09-Sep-2026 14 min de lectura ](https://brightdata.es/blog/ai/openhuman-with-bright-data) [ ![Multimodal Web Scraping with MiniMax](https://media.brightdata.es/2026/09/Multimodal-Web-Scraping-with-MiniMax.png) ](https://brightdata.es/blog/datos-web/multimodal-web-scraping-with-minimax "Scraping Web Multimodal con MiniMax") [Datos web ![Antonello Zanini](https://media.brightdata.es/2022/12/Antonello-Zanini-2-50x50.jpg) Antonello Zanini Technical Writer ### Scraping Web Multimodal con MiniMax Combina Bright Data Web Unlocker con la visión de MiniMax M3 para extraer datos estructurados de imágenes y capturas de pantalla de páginas web. 09-Sep-2026 5 min de lectura ](https://brightdata.es/blog/datos-web/multimodal-web-scraping-with-minimax) [ ![The 10 Best CLI Tools for Codex in 2026](https://media.brightdata.es/2026/08/The-10-Best-CLI-Tools-for-Codex-in-2026.png) ](https://brightdata.es/blog/ai/best-cli-tools-for-codex "Las 10 mejores herramientas CLI para Codex en 2026 – Probadas y clasificadas") [AI ![Daniel Shashko](https://media.brightdata.es/2022/04/Daniel-Shashko-2-50x50.png) Daniel Shashko Web Data & AI Expert ### Las 10 mejores herramientas CLI para Codex en 2026 – Probadas y clasificadas Las 10 herramientas CLI que hacen a Codex más rápido y capaz, comenzando con la Bright Data CLI para acceso web real desde dentro del sandbox. 06-Sep-2026 24 min de lectura ](https://brightdata.es/blog/ai/best-cli-tools-for-codex)