--- title: "Guía práctica para raspado web en R" slug: web-scraping-with-r date: 2023-01-09T09:13:43+00:00 modified: 2025-06-11T09:35:10+00:00 permalink: https://brightdata.es/blog/procedimientos/web-scraping-with-r type: blog --- [ Blog ](https://brightdata.es/blog "Blog") / [Procedimientos](https://brightdata.es/blog/procedimientos) [Procedimientos](https://brightdata.es/blog/procedimientos) # Guía práctica para raspado web en R En este tutorial, recorreremos todos los pasos necesarios para hacer raspado web en R con rvest, con el objetivo de extraer reseñas de productos de una URL de acceso público del sitio web de Amazon. 9 min de lectura [ ![Man with beard smiling, wearing black shirt.](https://media.brightdata.es/2021/07/avivb-50x50.png) ](https://brightdata.com/blog/authors/aviv-besinsky) [Aviv Besinsky ](https://brightdata.com/blog/authors/aviv-besinsky) ![People coding at computers with data and media icons.](https://media.brightdata.es/2023/01/Web-scraping-with-R.png) En esta guía, vamos a cubrir: - Introducción al raspado web en R 3. [Entendiendo la página web](#web-page) 4. [Entendiendo DevTools](#devtools) 5. [Profundización en raspado web en R: Tutorial](#tutorial) - [Requisitos previos](#required) - [Exploración interactiva de la página web](#exploring) - [Selector CSS vs. XPath para raspado web](#selectors) - [Extracción programática de información de la página web](#programmatically) 6. [Escalando a múltiples URLs](#scaling) 7. [Siguiente Paso: ¿Pre-construido vs. Auto-construido?](#pre-self) ## Introducción al Raspado web en R El primer paso sería entender qué herramientas vamos a utilizar en este tutorial de R. ### Entendiendo las Herramientas: R y rvest [R](https://www.r-project.org/about.html#:~:text=R%20is%20a%20language%20and,a%20different%20implementation%20of%20S.) es una biblioteca rica y fácil de usar para el análisis estadístico y la visualización de datos que proporciona herramientas útiles para la manipulación de datos y la tipografía dinámica. [rvest](https://rvest.tidyverse.org/)一de “harvest “一 es el más popular o uno de los paquetes de R más populares, ofrece funciones de raspado web, también gracias a su interfaz extremadamente fácil de usar. Vanilla rvest permite extraer datos de una sola página web, lo que es perfecto para una exploración inicial. Posteriormente, se puede ampliar con la biblioteca [polite](https://dmi3kno.github.io/polite/) para extraer datos de varias páginas. #### Configuración del entorno de desarrollo Si aún no está utilizando R dentro de RStudio, siga las instrucciones [a continuación para su instalación.](https://rstudio-education.github.io/hopr/starting.html) Una vez hecho esto, abra la consola e instale rvest: ``` install.packages("rvest") ``` Como parte de la colección [tidyverse](https://www.tidyverse.org/), se recomienda oficialmente ampliar las funcionalidades incorporadas de rvest con otros paquetes de la colección como[ magrittr](https://github.com/tidyverse/magrittr) para la legibilidad del código o[ xml2](https://xml2.r-lib.org/) para trabajar con HTML y XML. Puede hacerlo instalando directamente tidyverse: ``` install.packages("tidyverse") ``` ### Comprender la página web El raspado web es una técnica para recuperar datos de páginas web dentro de procesos automatizados que están en completa conformidad con las normas. De esta definición se desprenden tres consideraciones importantes: - Los datos se presentan en varios formatos. - Los sitios web presentan la información de maneras muy diferentes. - Es necesario que se tenga acceso legal a los datos raspados. Para entender cómo raspar una URL, primero hay que entender cómo se muestra el contenido de la página web a través del lenguaje de marcado HTML y el lenguaje de estilo de hoja CSS. HTML proporciona el contenido y la estructura de la página web, que se carga en el navegador para crear un Modelo de Objetos del Documento (DOM) en forma de árbol, organizando el contenido con “[tags.](https://www.w3schools.com/TAGS/default.asp)“. Las etiquetas (tags) tienen una estructura jerárquica, y cada una de ellas tiene una funcionalidad específica que se aplica a todo el contenido incluido en sus declaraciones de apertura () y cierre (): ``` ▶.. ▶.. ``` La etiqueta es el componente mínimo de cualquier página web, con las etiquetas `` y `` anidadas en su interior. `` y `` son a su vez “padres” de otras etiquetas dentro de ellas, siendo `
` (para sección de documento) y (para párrafo) algunos de sus “hijos” más comunes. En el fragmento anterior, se puede ver los “atributos” asociados a cada “element” HTML: `lang`, `class` y `style` están preconfigurados; los atributos que empiezan con data- son personalizados para Amazon. `class` es de interés particular para el raspado web, junto con el atributo `id` ya que nos permite dirigirnos a un grupo de elementos y a elementos específicos, respectivamente. Originalmente, esto se ocupaba para establecer estilos en CSS. CSS establece el estilo de la página web. Se puede seleccionar cualquier elemento HTML y asignar nuevos valores a sus propiedades de estilo. También se puede aplicar estilos CSS en línea dentro del elemento HTML con el atributo `style`, como se mostró en la sección anterior: ``` ``` En CSS puro, esto se escribiría como: ``` body {padding-bottom: 0px;} ``` Aquí, body es el “selector”, `padding-bottom` es la “property” (propiedad), y `0px` es el “value” (valor). Cualqiuer `tag`, `class`, o `id` puede usarse como un selector CSS. Los usuarios pueden interactuar dinámicamente con el contenido mostrado en la página web mediante las funcionalidades que proporciona el lenguaje de programación [JavaScript](https://www.w3schools.com/html/html_scripts.asp) a través de la etiqueta `script`. Tras una interacción del usuario, el contenido mostrado puede cambiar y puede aparecer contenido nuevo; los raspadores web avanzados pueden imitar las interacciones del usuario, como veremos más adelante. ### Herramientas de desarrollo Los principales navegadores web ofrecen herramientas integradas para desarrolladores que permiten recopilar y actualizar en tiempo real la información técnica de una página web con fines de registro, depuración, pruebas y análisis del rendimiento. En este tutorial, utilizaremos las [DevTools de Chrome](https://developer.chrome.com/docs/devtools/). Se puede acceder a las Herramientas para desarrolladores desde la esquina superior derecha del navegador, en Más herramientas: ![Proceso de apertura de las Herramientas para desarrolladores en Chrome](https://brightdata.com/wp-content/uploads/2023/01/Process-of-opening-Developer-Tools-in-Chrome-1024x926.png)Proceso de apertura de las Herramientas para desarrolladores en ChromeEn DevTools, es posible desplazarse por el HTML no procesado en la pestaña Elementos. Al desplazarse por cualquier línea HTML, el elemento correspondiente renderizado en la página web se resaltará en azul: ![Proceso de acceso a elementos renderizados en la página web desde Herramientas de desarrollo en Chrome. ](https://brightdata.com/wp-content/uploads/2023/01/Process-of-accessing-rendered-elements-in-the-web-page-from-Developer-Tools-in-Chrome-1024x652.png)Proceso de acceso a elementos renderizados en la página web desde Herramientas de desarrollo en Chrome. A la inversa, se puede hacer clic en el icono de la esquina superior izquierda y seleccionar cualquier elemento renderizado de la página web para redirigirse a su homólogo HTML sin procesar, de nuevo resaltado en azul. Estos dos procesos son todo lo necesario para extraer los descriptores CSS para nuestro tutorial práctico. ## Profundización en raspado web en R: Tutorial En esta sección, exploraremos cómo hacer raspado web de la [URL de Amazon](https://www.amazon.co.uk/Xbox-Elite-Wireless-Controller-2/dp/B07SR4R8K1/) para [extraer reseñas de productos](https://brightdata.es/products/web-scraper/amazon/reviews). ### Requisitos previos Asegurarse de tener instalado lo siguiente en el entorno Rstudio: - R = 4.2.2 - rvest = 1.0.3 - tidyverse = 1.3.2 ### Exploración interactiva de la página web Se puede utilizar las DevTools de Chrome para explorar el HTML de su URL y crear una lista de todas las clases e IDs de los elementos HTML que contienen la información que nos interesa extraer, es decir, las reseñas de los productos: ![Reseña de cliente de la página de producto de Amazon seleccionada con DevTools en Chrome](https://brightdata.com/wp-content/uploads/2023/01/Customer-review-from-the-Amazon-product-page-selected-with-DevTools-in-Chrome-1024x440.png)Reseña de cliente de la página de producto de Amazon seleccionada con DevTools en ChromeCada reseña de cliente pertenece a un `div` con un `id` en el formato: ``` customer_review_$INTERNAL_ID. ``` El contenido HTML del div correspondiente a la reseña del cliente en la captura de pantalla anterior es el siguiente: ```
..
4.0 out of 5 stars Very good controller if a little overpriced
..
..
…
… …
…
``` Cada parte del contenido de interés para las reseñas de clientes tiene su clase única: `review-title-content` para el título, `review-text-content` para el cuerpo y `review-rating` para la valoración. Se podría comprobar que la clase es única en el documento y utilizar directamente el “selector simple”. Un enfoque más infalible es utilizar en su lugar el Descriptor CSS, que seguirá siendo único incluso si la clase se asigna a nuevos elementos en el futuro. Basta con recuperar el Descriptor CSS haciendo clic con el botón derecho del ratón sobre el elemento en las Herramientas para desarrolladores y seleccionando Copiar selector: ![Proceso de copia del selector CSS de un elemento desde Herramientas de desarrollo en Chrome ](https://brightdata.com/wp-content/uploads/2023/01/Process-of-copying-the-CSS-selector-for-an-element-from-Developer-Tools-in-Chrome-1024x210.png)Proceso de copia del selector CSS de un elemento desde Herramientas de desarrollo en Chrome Se pueden definir los tres selectores como: - `customer_review-R2U9LWUSIPY0GS > div:nth-child(2) > a.a-size-base.a-link-normal.review-title.a-color-base.review-title-content.a-text-bold > span` for the title - `customer_review-R2U9LWUSIPY0GS > div.a-row.a-spacing-small.review-data > span > div > div.a-expander-content.reviewText.review-text-content.a-expander-partial-collapse-content > span` for the body - `customer_review-R2U9LWUSIPY0GS > div:nth-child(2) > a:nth-child(1) > i.review-rating > span` for the rating \*`.review-rating` se ha añadido manualmente para mejorar la coherencia. #### Selector CSS vs. XPath para raspado web Para este tutorial, hemos decidido utilizar un selector CSS para identificar elementos para el raspado web. El otro enfoque común es utilizar XPath, es decir, la ruta XML, que identifica un elemento a través de su ruta completa en el DOM. Puede extraer el XPath completo siguiendo el mismo procedimiento del selector CSS. Por ejemplo, el título de la revisión es: ``` /html/body/div[2]/div[3]/div[6]/div[32]/div/div/div[2]/div/div[2]/span[2]/div/div/div[3]/div[3]/div/div[1]/div/div/div[2]/a[2]/span ``` Un selector CSS es ligeramente más rápido, mientras que XPath tiene una compatibilidad con versiones anteriores ligeramente mejor. Aparte de estas pequeñas diferencias, la selección de uno en vez del otro depende más de las preferencias personales que de las implicaciones técnicas. ### Extracción programática de información de la página web Aunque podríamos utilizar la Consola directamente para empezar a explorar cómo hacer raspado web de la URL, en su lugar crearemos un script para trazabilidad y reproducibilidad, y lo ejecutaremos a través de la Consola utilizando el comando `source ()`. Después de crear el script, el primer paso es cargar las librerías instaladas: ``` library(”rvest”) library(”tidyverse”) ``` A continuación, se puede extraer el contenido de interés mediante programación de la siguiente manera. Primero, se crea una variable donde se almacenará la URL a buscar: ``` HtmlLink <- "https://www.amazon.co.uk/Xbox-Elite-Wireless-Controller-2/dp/B07SR4R8K1/ref=sr_1_1_sspa?crid=3F4M36E0LDQF3" ``` A continuación, se extrae el número de identificación estándar de Amazon (ASIN) de la URL para utilizarlo como ID de producto único: ``` ASIN <- str_match(HtmlLink, "/dp/([A-Za-z0-9]+)/")[,2] ``` El uso de [RegEx](https://cran.r-project.org/web/packages/stringr/vignettes/regular-expressions.html) para limpiar el texto extraído mediante raspado web es habitual y recomendable para garantizar la calidad de los datos. Ahora, se descarga el contenido HTML de la página web: ``` HTMLContent <- read_html(HtmlLink) ``` La función read\_html() forma parte del paquete xml2. Si se `imprime()` el contenido, veremos que coincide con la estructura HTML sin procesar analizada anteriormente: ``` {html_document} [1] n` ” de la cadena; también puede aprovechar las funcionalidades html\_nodes() y html\_text() de rvest para guardar el contenido HTML en objetos separados. Los siguientes comandos extraerán los títulos de las reseñas: ``` review_title <- HTMLContent %>% html_nodes("div:nth-child(2) a.a-size-base.a-link-normal.review-title.a-color-base.review-title-content.a-text-bold span") %>% html_text() ``` Un ejemplo de entrada en `review_title` es “Muy buen controlador aunque un poco caro”. El código siguiente extraerá el cuerpo de la reseña: ``` review_body <- HTMLContent %>% html_nodes("div.a-row.a-spacing-small.review-data span div div.a-expander-content.reviewText.review-text-content.a-expander-partial-collapse-content span") %>% html_text() ``` Un ejemplo de entrada en `review_body` comienza con “Sinceramente, no estoy seguro de por qué el precio…”. Y puede utilizar los siguientes comandos para extraer la valoración de la reseña: ``` review_rating <- HTMLContent %>% html_nodes("div:nth-child(2) a:nth-child(1) i.review-rating span") %>% html_text() ``` Un ejemplo de entrada en `review_rating` es “4,0 de 5 estrellas”. Para mejorar la calidad de esta variable, extraiga sólo la calificación “4.0” y conviértala a int: ``` review_rating <- substr(review_rating, 1, 3) %>% as.integer() ``` La funcionalidad de conducto %>% es proporcionada por el conjunto de herramientas magrittr. Ahora es el momento de exportar el contenido raspado dentro de un [tibble](https://tibble.tidyverse.org/) para el análisis de datos. tibble es un paquete de R que también pertenece a la colección tidyverse y se utiliza para manipular e imprimir marcos de datos. ``` df <- tibble(review_title, review_body, review_rating) ``` El marco de datos de salida es el siguiente: ![Los datos raspados extraídos con tibble](https://brightdata.com/wp-content/uploads/2023/01/The-scraped-data-as-outputted-by-tibble-1024x263.png)Los datos raspados extraídos con tibbleFinalmente, es una buena idea refactorizar el código en la función `scrape_amazon` <- `function(HtmlLink)` para cumplir con las mejores prácticas y preparar mejor el código para escalar a múltiples URLs. ## Escalado a múltiples URLs Una vez creada la plantilla de raspado web, puede crear una lista de URL para todos los productos de los principales competidores en Amazon mediante el[ rastreo y el raspado web](https://brightdata.es/blog/datos-web/web-crawling-vs-web-scraping) . A la hora de escalar a múltiples URLs para producir la solución, es necesario definir los requisitos técnicos de la aplicación. Contar con unos requisitos técnicos bien definidos garantizará el correcto cumplimiento de los requisitos empresariales y la perfecta integración con los sistemas existentes. Es necesario actualizar la función de raspado web para que admita una combinación de lo siguiente en función de los requisitos técnicos específicos: - Proceso en tiempo real o por lotes - Formatos de salida, como JSON, NDJSON, CSV o XLSX. - Destinos de salida como correo electrónico, API, webhook o almacenamiento en nube. Ya hemos mencionado que se puede expandir rvest usando [polite](https://dmi3kno.github.io/polite/) para raspar datos en múltiples páginas web. polite crea y gestiona una sesión de recolección web mediante el uso de tres funcionalidades principales, en total conformidad con el archivo robots.txt del proveedor de alojamiento web y con limitación de velocidad y caché de respuesta incorporadas: - `bow()` crea la sesión de raspado para una URL específica, es decir, le presenta al anfitrión web y le pide permiso para raspar. - `scrape()` accede al HTML de la URL; puede canalizar la función a `html_nodes()` y `html_text()` desde rvest para recuperar contenido específico. - `nod()` actualiza la URL de la sesión a la página siguiente, sin necesidad de volver a crear una sesión. Citando directamente de su página web, “Los tres pilares de una sesión polite son **pedir permiso, tomárselo con calma y nunca preguntar dos veces**“. ## Siguiente paso: ¿Preconstruido vs. Autoconstruido? Para desarrollar un raspador web de última generación que pueda extraer buenos datos para una empresa, es necesario disponer de algunas capacidades: - Un equipo de especialistas en datos con experiencia en extracción de datos web. - Un equipo de ingenieros de DevOps con experiencia en gestión de proxy y elusión anti-bot para permitir superar CAPTCHAs y desbloquear sitios web menos accesibles al público. - Un equipo de ingenieros de datos con experiencia en la creación de infraestructuras para la extracción de datos en tiempo real y por lotes. - Un equipo de expertos en derecho para entender los requisitos legales de protección de datos para la privacidad (como GDPR y CCPA). Los contenidos para la web se presentan en formatos variados, y es difícil encontrar dos sitios web con exactamente la misma estructura. Cuanto más complejo sea un sitio web y más funciones y datos haya que raspar, más avanzados serán los conocimientos de programación necesarios, por no mencionar el tiempo y los recursos adicionales que requerirá la solución. Lo normal es que se desee implementar al menos las siguientes funcionalidades avanzadas: 1. **Minimizar las posibilidades de CAPTCHAs y detección de bots**: Un enfoque sencillo en este caso es añadir un sleep() aleatorio para evitar la sobrecarga de los servidores web y los patrones de solicitud habituales. Un enfoque más eficaz es utilizar un user\_agent o un servidor proxy para repartir las peticiones entre diferentes IPs. 2. **Raspado de sitios web con Javascript**: En nuestro ejemplo de Amazon, la URL no cambia al seleccionar una variante específica del producto. Esto es aceptable para el raspado de reseñas, ya que son compartidas, pero no para el raspado de especificaciones de producto. Para imitar las interacciones del usuario en páginas web dinámicas, podría utilizar una herramienta como [RSelenium](https://cran.r-project.org/web/packages/RSelenium/index.html) para automatizar la navegación del navegador web. Un raspador web preconstruido puede ser la elección correcta cuando se desea acceder a datos web con recursos limitados, garantizar la calidad de los datos o desbloquear casos de uso más avanzados. [Web Scraper de Bright Data](https://brightdata.es/products/web-scraper) proporciona plantillas para muchos sitios web impulsados por funcionalidades de vanguardia, incluida una implementación mucho más avanzada del [Amazon Scraper](/products/data-collector/website/amazon) que se demostró. Contactar ventasPrueba gratuita![google social icon](/wp-content/themes/brightdata/assets/images/ic_google.svg) Tabla de Contenidos [ ](https://news.ycombinator.com/submitlink?t=Gu%C3%ADa+pr%C3%A1ctica+para+raspado+web+en+R&u=https://brightdata.es/blog/procedimientos/web-scraping-with-r) [ ](https://www.linkedin.com/shareArticle?mini=true&title=Gu%C3%ADa+pr%C3%A1ctica+para+raspado+web+en+R&url=https://brightdata.es/blog/procedimientos/web-scraping-with-r) [ ](http://www.reddit.com/submit?title=Gu%C3%ADa+pr%C3%A1ctica+para+raspado+web+en+R&url=https://brightdata.es/blog/procedimientos/web-scraping-with-r) ## 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)