--- title: "Cómo extraer información de Wikipedia con Python" slug: how-to-scrape-wikipedia date: 2026-02-17T09:10:55+00:00 modified: 2026-02-17T09:10:57+00:00 permalink: https://brightdata.es/blog/datos-web/how-to-scrape-wikipedia type: blog --- [ Blog ](https://brightdata.es/blog "Blog") / [Datos web](https://brightdata.es/blog/datos-web) [Datos web](https://brightdata.es/blog/datos-web) # Cómo extraer información de Wikipedia con Python Guía paso a paso para extraer información de Wikipedia utilizando Python y herramientas esenciales. 16 min de lectura [ ![Satyam Tripathi](https://media.brightdata.es/2024/09/Satyam-Tripathi-50x50.png) ](https://brightdata.com/blog/authors/satyam-tripathi) [Satyam Tripathi Technical Writer ](https://brightdata.com/blog/authors/satyam-tripathi) ![How to Scrape Wikipedia blog image](https://media.brightdata.es/2024/10/How-to-Scrape-Wikipedia-blog-image.svg) Wikipedia es una fuente de información extensa y completa, que contiene millones de artículos que abarcan casi todos los temas. Para los investigadores, científicos de datos y desarrolladores, estos datos abren innumerables oportunidades, desde la creación de Conjuntos de datos de aprendizaje automático hasta la realización de investigaciones académicas. En este artículo, le guiaremos paso a paso por el proceso de extracción de datos de Wikipedia. ## Uso de la API de Bright Data Wikipedia Scraper Si desea extraer datos de Wikipedia de forma eficiente, la [API de Bright Data Wikipedia Scraper](/products/web-scraper/wikipedia) es una excelente alternativa al Scraping web manual. Esta potente API automatiza el proceso, lo que facilita enormemente la recopilación de grandes volúmenes de información. ### Casos de uso clave: - Recopilar explicaciones sobre una amplia gama de temas. - Comparar la información de Wikipedia con otras fuentes de datos - Realizar investigaciones utilizando grandes conjuntos de datos - Extraer imágenes de Wikipedia Commons Puede obtener sus datos en formatos como **JSON, CSV y .gz**, y admite varias opciones de entrega, incluyendo **Amazon S3, Google Cloud Storage y Microsoft Azure**. Con **una** sola **llamada a la API**, puede acceder a una gran cantidad de datos de forma rápida y sencilla. ## Cómo extraer datos de Wikipedia con Python Siga este tutorial paso a paso para extraer datos de Wikipedia con Python. ### 1. Configuración y requisitos previos Antes de empezar, asegúrate de que tu entorno de desarrollo está correctamente configurado: - **Instala Python**: descarga e instala la última versión de Python desde el [sitio web oficial de Python](https://www.python.org/downloads/). - **Elige un IDE**: utiliza un IDE como PyCharm, Visual Studio Code o Jupyter Notebook para tu trabajo de desarrollo. - **Conocimientos básicos**: asegúrate de estar familiarizado con [los selectores CSS](https://developer.mozilla.org/en-US/docs/Web/CSS/CSS_selectors) y de sentirte cómodo utilizando [las herramientas de desarrollo del navegador](https://developer.mozilla.org/en-US/docs/Learn/Common_questions/Tools_and_setup/What_are_browser_developer_tools) para inspeccionar los elementos de la página. > Si es nuevo en Python, lea esta [guía sobre cómo extraer datos con Python](/blog/how-tos/web-scraping-with-python) para obtener instrucciones detalladas. A continuación, crea un nuevo proyecto utilizando [Poetry](https://python-poetry.org/docs/basic-usage/), una herramienta de gestión de dependencias que simplifica la gestión de paquetes y entornos virtuales en Python. ```none poetry new wikipedia-Scraper ``` Este comando generará la siguiente estructura de proyecto: ```none wikipedia-Scraper/ ├── pyproject.toml ├── README.md ├── wikipedia_Scraper/ │ └── __init__.py └── tests/ └── __init__.py ``` Navega hasta el directorio del proyecto e instala las dependencias necesarias: ```none cd wikipedia-Scraper poetry add requests beautifulsoup4 pandas lxml ``` En primer lugar, [BeautifulSoup](https://pypi.org/project/beautifulsoup4/) se utiliza para el parseo de documentos HTML y XML, lo que facilita la navegación y la extracción de elementos específicos de las páginas web. La biblioteca [requests](https://pypi.org/project/requests/) se encarga de enviar solicitudes HTTP y recuperar el contenido de las páginas web. [Pandas](https://pypi.org/project/pandas/) es una potente herramienta para manipular y analizar los datos extraídos, especialmente útil cuando se trabaja con tablas. Por último, [lxml](https://lxml.de/parsing.html) se utiliza para acelerar el proceso de parseo, mejorando el rendimiento de BeautifulSoup. A continuación, activa el entorno virtual y abre la carpeta del proyecto en tu editor de código preferido (VS Code en este caso): ```none poetry shell code . ``` Abre el archivo `pyproject.toml` para verificar las dependencias de tu proyecto. Debería tener este aspecto: ```none [tool.poetry.dependencies] python = "^3.12" requests = "^2.32.3" beautifulsoup4 = "^4.12.3" pandas = "^2.2.3" lxml = "^5.3.0" ``` Por último, crea un archivo `main.py` dentro de la carpeta `wikipedia_scraper`, donde escribirás tu lógica de scraping. La estructura actualizada de tu proyecto debería tener ahora este aspecto: ```none wikipedia-Scraper/ ├── pyproject.toml ├── README.md ├── wikipedia_Scraper/ │ ├── __init__.py │ └── main.py └── tests/ └── __init__.py ``` Tu entorno ya está configurado y estás listo para empezar a escribir el código Python para extraer datos de Wikipedia. ### 2. Conexión a la página de Wikipedia de destino Para empezar, conéctese a la página de Wikipedia que desee. En este ejemplo, extraeremos la siguiente [página de Wikipedia](https://en.wikipedia.org/wiki/Cristiano_Ronaldo). ![Cristiano Ronaldo's page on Wikipedia](https://media.brightdata.es/2024/10/how-to-scrape-wikipedia-screenshot-wikipedia-page.png)Aquí tienes un fragmento de código sencillo para conectarte a una página de Wikipedia utilizando Python: ```none import requests # Para realizar solicitudes HTTP from bs4 import BeautifulSoup # Para el parseo de contenido HTML def connect_to_wikipedia(url): response = requests.get(url) # Enviar una solicitud GET a la URL # Comprobar si la solicitud se ha realizado correctamente if response.status_code == 200: return BeautifulSoup(response.text, "html.parser") # Analizar y devolver el HTML else: print(f"No se ha podido recuperar la página. Código de estado: {response.status_code}") return None # Devuelve None si la solicitud falla wikipedia_url = "" soup = connect_to_wikipedia(wikipedia_url) # Obtiene el objeto soup para la URL especificada ``` En el código, la biblioteca `de solicitudes` de Python te permite enviar una solicitud HTTP a la URL, y con `BeautifulSoup`, puedes realizar el parseo del contenido HTML de la página. ### 3. Inspeccionar la página Para extraer datos de forma eficaz, es necesario comprender la estructura del [DOM](https://developer.mozilla.org/en-US/docs/Web/API/Document_Object_Model) (modelo de objetos de documento) de la página web. Por ejemplo, para extraer todos los enlaces de la página, puede seleccionar las etiquetas ``, como se muestra a continuación: ![Inspecting links on a Wikipedia page](https://media.brightdata.es/2024/10/how-to-scrape-wikipedia-screenshot-extract-links.png)Para extraer imágenes, seleccione las etiquetas `` y extraiga el atributo `src` para obtener las URL de las imágenes. ![Inspecting images on a Wikipedia page](https://media.brightdata.es/2024/10/how-to-scrape-wikipedia-screenshot-extract-images.png)Para extraer datos de tablas, puede seleccionar la etiqueta `` con la clase `wikitable`. Esto le permite recopilar todas las filas y columnas de la tabla y extraer los datos necesarios. ![Inspecting tables on a Wikipedia page](https://media.brightdata.es/2024/10/image-2-1.png)Para extraer párrafos, simplemente seleccione las etiquetas `

` que contienen el contenido textual principal de la página. ![Inspecting paragraphs on a Wikipedia page](https://media.brightdata.es/2024/10/how-to-scrape-wikipedia-screenshot-extract-paragraph.png)¡Eso es todo! Al seleccionar estos elementos específicos, puede extraer los datos deseados de cualquier página de Wikipedia. ### 4. Extracción de enlaces Los artículos de Wikipedia contienen enlaces internos y externos que dirigen a los usuarios a temas relacionados, referencias o recursos externos. Para extraer todos los enlaces de una página de Wikipedia, puede utilizar el siguiente código: ```none def extract_links(soup): links = [] for link in soup.find_all("a", href=True): # Buscar todas las etiquetas de anclaje con el atributo href. url = link["href"] if not url.startswith("http"): # Comprueba si la URL es relativa url = "" + url # Convierte los enlaces relativos en URL absolutas links.append(url) return links # Devuelve la lista de enlaces extraídos ``` La función `soup.find_all('a', href=True)` recupera todas las etiquetas `` de la página que contienen un atributo `href`, lo que incluye tanto enlaces internos como externos. El código también garantiza que las URL relativas tengan el formato adecuado. El resultado podría ser similar al siguiente: ```none ``` ### 5. Extracción de párrafos Para extraer contenido textual de un artículo de Wikipedia, puede seleccionar las etiquetas `

`, que contienen el cuerpo principal del texto. A continuación se muestra cómo extraer párrafos utilizando **BeautifulSoup**: ```none def extract_paragraphs(soup): paragraphs = [p.get_text(strip=True) for p in soup.find_all("p")] # Extraer texto de las etiquetas de párrafo. return [p for p in paragraphs if p and len(p) > 10] # Devolver párrafos de más de 10 caracteres. ``` Esta función captura todos los párrafos de la página y filtra los que están vacíos o son demasiado cortos para evitar contenido irrelevante, como citas o palabras sueltas. Un ejemplo de resultado: ```none Cristiano Ronaldo dos Santos AveiroGOIHComM (pronunciación en portugués: [kɾiʃˈtjɐnuʁɔˈnaldu]; nacido el 5 de febrero de 1985) es un futbolista profesional portugués que juega como delantero y capitán tanto del club Al Nassr de la Liga Profesional Saudí como de la selección nacional de Portugal. Ampliamente considerado como uno de los mejores jugadores de todos los tiempos, Ronaldo ha ganado cinco Balones de Oro,[nota 3], un récord de tres premios al Jugador del Año de la UEFA y cuatro Botas de Oro europeas, el mayor número conseguido por un jugador europeo. Ha ganado 33 trofeos en su carrera, incluidos siete títulos de liga, cinco Ligas de Campeones de la UEFA, la Eurocopa de la UEFA y la Liga de Naciones de la UEFA. Ronaldo ostenta los récords de más partidos jugados (183), goles marcados (140) y asistencias (42) en la Liga de Campeones, más partidos jugados (30), asistencias (8) y goles marcados en la Eurocopa (14), goles internacionales (133) y partidos internacionales jugados (215). Es uno de los pocos jugadores que ha disputado más de 1200 partidos como profesional, el mayor número para un jugador de campo, y ha marcado más de 900 goles oficiales en su carrera como senior con su club y su selección, lo que le convierte en el máximo goleador de todos los tiempos. ``` ### 6. Extracción de tablas Wikipedia suele incluir tablas con datos estructurados. Para extraer estas tablas, utilice este código: ```none def extract_tables(soup): tables = [] for table in soup.find_all("table", {"class": "wikitable"}): # Buscar tablas con la clase «wikitable» table_html = StringIO(str(table)) # Convertir el HTML de la tabla en una cadena df = pd.read_html(table_html)[0] # Leer la tabla HTML en un DataFrame tables.append(df) return tables # Devolver la lista de DataFrames ``` Esta función busca todas las tablas con la clase `wikitable` y utiliza `pandas.read_html()` para convertirlas en DataFrames para su posterior manipulación. Ejemplo de resultado: ![Table data that was found](https://media.brightdata.es/2024/10/how-to-scrape-wikipedia-screenshot-table-data.png)### 7. Extracción de imágenes Las imágenes son otro recurso valioso que se puede extraer de Wikipedia. La siguiente función captura las URL de las imágenes de la página: ```none def extract_images(soup): images = [] for img in soup.find_all("img", src=True): # Busca todas las etiquetas de imagen con el atributo src img_url = img["src"] if not img_url.startswith("http"): # Antepone «https:» a las URL relativas img_url = "https:" + img_url if "static/images" not in img_url: # Excluye las imágenes estáticas o no relevantes images.append(img_url) return images # Devuelve la lista de URL de imágenes ``` Esta función busca todas las imágenes (etiquetas`` ) de la página, añade `https:` a las URL relativas y filtra las imágenes que no son contenido, asegurando que solo se extraigan las imágenes relevantes. Ejemplo de resultado: ```none ``` ### 8. Guardar los datos extraídos Una vez extraídos los datos, el siguiente paso es guardarlos para su uso posterior. Guardemos los datos en archivos separados para enlaces, imágenes, párrafos y tablas. ```none def store_data(links, images, tables, paragraphs): # Guardar enlaces en un archivo de texto with open("wikipedia_links.txt", "w", encoding="utf-8") as f: for link in links: f.write(f"{link}n") # Guardar imágenes en un archivo JSON with open("wikipedia_images.json", "w", encoding="utf-8") as f: json.dump(images, f, indent=4) # Guardar párrafos en un archivo de texto with open("wikipedia_paragraphs.txt", "w", encoding="utf-8") as f: for para in paragraphs: f.write(f"{para}nn") # Guardar cada tabla como un archivo CSV independiente for i, table in enumerate(tables): table.to_csv(f"wikipedia_table_{i+1}.csv", index=False, encoding="utf-8-sig") ``` La función `store_data` organiza los datos recopilados: - Los enlaces se guardan en un archivo de texto. - Las URL de las imágenes se guardan en un archivo JSON. - Los párrafos se almacenan en otro archivo de texto. - Las tablas se guardan en archivos CSV. Esta organización facilita el acceso y el trabajo posterior con los datos. > Consulte nuestra guía para obtener más información sobre [cómo realizar el parseo y la serialización de datos en JSON en Python](/blog/how-tos/parse-json-data-with-python). ## Poniendo todo junto Ahora, combinemos todas las funciones para crear un Scraper completo que extraiga y guarde datos de una página de Wikipedia: ```none import requests from bs4 import BeautifulSoup import pandas as pd from io import StringIO import json # Extraer todos los enlaces de la página def extract_links(soup): links = [] for link in soup.find_all("a", href=True): url = link["href"] if not url.startswith("http"): url = "" + url links.append(url) return links # Extraer las URL de las imágenes de la página def extract_images(soup): images = [] for img in soup.find_all("img", src=True): img_url = img["src"] if not img_url.startswith("http"): img_url = "https:" + img_url if "static/images" not in img_url: # Excluir imágenes estáticas no deseadas images.append(img_url) return images # Extraer todas las tablas de la página def extract_tables(soup): tables = [] for table in soup.find_all("table", {"class": "wikitable"}): table_html = StringIO(str(table)) df = pd.read_html(table_html)[0] # Convertir tabla HTML a DataFrame tables.append(df) return tables # Extraer párrafos de la página def extract_paragraphs(soup): párrafos = [p.get_text(strip=True) for p in soup.find_all("p")] return [p for p in párrafos if p and len(p) > 10] # Filtrar párrafos vacíos o cortos # Almacenar los datos extraídos en archivos separados def store_data(links, images, tables, paragraphs): # Guardar enlaces en un archivo de texto with open("wikipedia_links.txt", "w", encoding="utf-8") as f: for link in links: f.write(f"{link}n") # Guardar imágenes en un archivo JSON with open("wikipedia_images.json", "w", encoding="utf-8") as f: json.dump(images, f, indent=4) # Guardar párrafos en un archivo de texto with open("wikipedia_paragraphs.txt", "w", encoding="utf-8") as f: for para in paragraphs: f.write(f"{para}nn") # Guardar cada tabla como un archivo CSV for i, table in enumerate(tables): table.to_csv(f"wikipedia_table_{i+1}.csv", index=False, encoding="utf-8-sig") # Función principal para extraer una página de Wikipedia y guardar los datos extraídos def scrape_wikipedia(url): response = requests.get(url) # Obtener el contenido de la página soup = BeautifulSoup(response.text, "html.parser") # Analizar el contenido con BeautifulSoup links = extract_links(soup) images = extract_images(soup) tables = extract_tables(soup) paragraphs = extract_paragraphs(soup) # Guardar todos los datos extraídos en archivos store_data(links, images, tables, paragraphs) # Ejemplo de uso: extraer la página de Wikipedia de Cristiano Ronaldo if __name__ == "__main__": scrape_wikipedia("") ``` Al ejecutar el script, se crearán varios archivos en tu directorio: - `wikipedia_images.json`, que contiene todas las URL de las imágenes. - `wikipedia_links.txt` con todos los enlaces de la página. - `wikipedia_paragraphs.txt` con los párrafos extraídos. - Archivos CSV para cada tabla encontrada en la página (por ejemplo, `wikipedia_table_1.csv`, `wikipedia_table_2.csv`). El resultado podría ser similar al siguiente: ![Final result files](https://media.brightdata.es/2024/10/how-to-scrape-wikipedia-screenshot-data-stored-in-files.png)¡Eso es todo! Ha extraído y almacenado correctamente los datos de Wikipedia en archivos separados. ## Configuración de la API de Bright Data Wikipedia Scraper Configurar y utilizar [la API de Bright Data Wikipedia Scraper](/products/web-scraper/wikipedia) es muy sencillo y se puede hacer en solo unos minutos. Siga estos pasos para empezar rápidamente y comenzar a recopilar datos de Wikipedia con facilidad. ### Paso 1: Crea una cuenta en Bright Data Vaya al [sitio web de Bright Data](/) e inicie sesión en su cuenta. Si aún no tiene una cuenta, cree una: es gratis. Siga estos pasos: 1. Vaya al sitio web de Bright Data. 2. Haga clic en **«Prueba gratuita»** y siga las instrucciones para crear su cuenta. 3. Una vez que esté en su panel de control, busque el icono de la tarjeta de crédito en la barra lateral izquierda para acceder a la página **de facturación**. 4. Añada un método de pago válido para activar su cuenta. ![Setting up a Bright Data account](https://media.brightdata.es/2024/10/how-to-scrape-wikipedia-screenshot-setting-bright-data-account.png)Una vez que su cuenta se haya activado correctamente, vaya a la sección **API de Web Scraper** en el panel de control. Aquí puede buscar cualquier API de Web Scraper que desee utilizar. Para nuestros fines, busque **Wikipedia**. ![The Wikipedia articles scraper API ](https://media.brightdata.es/2024/10/how-to-scrape-wikipedia-screenshot-glassdoor-web-scraper-api.png)Haga clic en la opción **«Artículos de Wikipedia: recopilar por URL** ». Esto le permitirá recopilar artículos de Wikipedia simplemente proporcionando las URL. ### Paso 2: Comience a configurar una llamada API Una vez que haya hecho clic, se le dirigirá a una página donde podrá configurar su llamada API. ![Setting an API call](https://media.brightdata.es/2024/10/how-to-scrape-wikipedia-screenshot-set-bright-data-api.png)Antes de continuar, debe crear un token de API para autenticar sus llamadas a la API. Haga clic en el botón **«Crear token»** y copie el token generado. Guarde este token en un lugar seguro, ya que lo necesitará más adelante. ![Creating an API token](https://media.brightdata.es/2024/10/how-to-scrape-wikipedia-screenshot-create-token.png)### Paso 3: Configure los parámetros y genere la llamada a la API Ahora que tiene su token, está listo para configurar su llamada API. Proporcione las URL de las páginas de Wikipedia que desea extraer y, en la parte derecha, se generará un **comando cURL** basado en su entrada. ![Trigger of the data collection API](https://media.brightdata.es/2024/10/how-to-scrape-wikipedia-screenshot-trigger-api.png)Copie el comando cURL, sustituya `API_Token` por su token real y ejecútelo en su terminal. Esto generará un `snapshot_id`, que utilizará para recuperar los datos extraídos. ### Paso 4: Recuperar los datos Con el `snapshot_id` que ha generado, ya puede recuperar los datos. Solo tiene que pegar este ID en el campo **Snapshot ID** y la API generará automáticamente un nuevo comando cURL en la parte derecha. Puede utilizar este comando para extraer los datos. Además, puede elegir el formato de archivo de los datos, como JSON, CSV u otras opciones disponibles. ![Data delivery options](https://media.brightdata.es/2024/10/how-to-scrape-wikipedia-screenshot-delivery-options.png)También tiene la opción de enviar los datos a diferentes servicios de almacenamiento, como **Amazon S3**, **Google Cloud Storage** o **Microsoft Azure Storage**. ![Delivering the data to different storage services](https://media.brightdata.es/2024/10/how-to-scrape-wikipedia-screenshot-deliver-to-storage.png)### Paso 5: Ejecutar el comando Para este ejemplo, supongamos que desea obtener los datos en un archivo JSON. Elija **JSON** como formato de archivo y copie el comando cURL generado. Si desea guardar los datos directamente en un archivo, simplemente añada `-o my_data.json` al final del comando cURL. Si prefiere almacenar estos datos en su máquina local, al añadir `-o` los datos se almacenarán automáticamente en el archivo especificado. Ejecútelo en su terminal y tendrá todos los datos extraídos en solo unos segundos. ```none curl.exe -H "Authorization: Bearer 50xxx52c-xxxx-xxxx-xxxx-2748xxxxx487" "" -o my_data.json ``` ¿No quieres encargarte tú mismo del Scraping web de Wikipedia, pero sigues necesitando los datos? Considera la posibilidad de comprar un **Conjunto de datos de Wikipedia**. ![Wikipedia dataset search in Bright Data's control panel](https://media.brightdata.es/2024/10/how-to-scrape-wikipedia-screenshot-wikipedia-dataset.png)**Sí, ¡así de sencillo!** ## Conclusión Este artículo ha cubierto todo lo que necesitas para empezar a extraer datos de Wikipedia con Python. Hemos extraído con éxito una gran variedad de datos, incluyendo URL de imágenes, contenido de texto, tablas y enlaces internos y externos. Sin embargo, para una extracción de datos más rápida y eficiente, utilizar [la API Wikipedia Scraper](/products/web-scraper/wikipedia) de Bright Data es una solución sencilla. ¿Quiere extraer datos de otros sitios web? Regístrese ahora y pruebe nuestra [API Web Scraper](/products/web-scraper). ¡Comience hoy mismo su prueba gratuita! Contactar ventasPrueba gratuita![google social icon](/wp-content/themes/brightdata/assets/images/ic_google.svg) Tabla de Contenidos [ ](https://news.ycombinator.com/submitlink?t=C%C3%B3mo+extraer+informaci%C3%B3n+de+Wikipedia+con+Python&u=https://brightdata.es/blog/datos-web/how-to-scrape-wikipedia) [ ](https://www.linkedin.com/shareArticle?mini=true&title=C%C3%B3mo+extraer+informaci%C3%B3n+de+Wikipedia+con+Python&url=https://brightdata.es/blog/datos-web/how-to-scrape-wikipedia) [ ](http://www.reddit.com/submit?title=C%C3%B3mo+extraer+informaci%C3%B3n+de+Wikipedia+con+Python&url=https://brightdata.es/blog/datos-web/how-to-scrape-wikipedia) ## 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)