Crawl4AI y ScrapeGraphAI: qué campos del catálogo dejar a los selectores y cuáles al modelo

Para plantillas estables, priorice las reglas de selectores de Crawl4AI y deje los campos semánticos al modelo. Para distintas plantillas, evalúe primero ScrapeGraphAI. Hay que comprobar por separado cobertura de productos, evidencia de campos y valores nulos; el schema del modelo no sustituye la verificación factual.

Fuente: crawl4ai.com
16 de noviembre de 2026
7 min

Cuando operaciones de producto convierte un catálogo público autorizado en una tabla, lo más preocupante no suele ser la falta de JSON, sino un precio asignado a otro artículo, productos agotados marcados como disponibles o una paginación incompleta sin error. Crawl4AI y ScrapeGraphAI extraen datos estructurados. La elección debe centrarse en cómo se localizan y prueban los campos y quién los corrige cuando algo cambia.

Para catálogos voluminosos con una misma plantilla, evalúe primero la extracción por selectores de Crawl4AI y reserve al modelo unos pocos campos semánticos. Para distintas plantillas y tareas basadas sobre todo en comprensión textual, evalúe primero la vía de prompt y schema de ScrapeGraphAI. Este criterio se basa en documentación oficial. Los ejemplos son un diseño de aceptación, no pruebas de recopilación realizadas. Solo se trata contenido público cuya recopilación esté permitida; siguen siendo obligatorios los permisos del sitio, las reglas robots y los límites de frecuencia.

Distinguir los productos antes de comparar la extracción

La biblioteca abierta de Crawl4AI ofrece extracción CSS, XPath y LLM, pero ya tiene un servicio Cloud oficial. No se pueden resumir los dos proveedores como «herramienta local frente a API cloud». La configuración de selectores de este artículo se basa en la documentación de la biblioteca. Al elegir el servicio cloud, compruebe aparte si la interfaz expone los parámetros necesarios; no suponga que toda configuración de biblioteca se usa sin cambios.

El repositorio abierto de ScrapeGraphAI distingue scrapegraphai ejecutado por el equipo del SDK de la API alojada. El SmartScraperGraph del primero recibe un prompt y una fuente de una sola página; el equipo configura modelo y entorno. El servicio alojado gestiona modelos y navegadores. El nombre SmartScraper de documentación antigua no debe llevar a confundir el flujo en grafo abierto con la API actual. El Extract actual recibe URL, HTML o Markdown, un prompt y un JSON schema opcional, y devuelve resultados estructurados.

Por tanto, necesitar un modelo local no obliga a elegir Crawl4AI, ni necesitar alojamiento obliga a ScrapeGraphAI. La pregunta útil es si el equipo prefiere mantener reglas de localización para cada tipo de página o verificar continuamente cómo interpreta el modelo cada campo.

Dejar campos estables a las reglas y la interpretación al modelo

La extracción sin LLM de Crawl4AI permite definir un contenedor de producto y usar CSS o XPath para obtener títulos, atributos y campos anidados. También puede hacer que el modelo genere primero un schema de selectores y reutilizar las reglas después. El modelo ayuda a escribir reglas, sin necesidad de invocarlo cada vez que se lee un producto. Lo generado sigue requiriendo revisión humana, especialmente para evitar que los selectores posicionales se desplacen al insertar anuncios.

Supongamos un catálogo con nombre, SKU, precio actual, moneda e instrucciones de entrega. Si SKU y precio mantienen posiciones estables, obtenga el texto original con reglas. Deje al modelo convertir indicaciones como «envío aproximadamente dos semanas después de la reserva» en los campos acordados. La estrategia LLM de Crawl4AI admite schema y procesamiento por bloques y encaja con esa interpretación, pero añade uso del modelo y verificación. El enrutamiento, la combinación y el tratamiento de errores para encadenar ambas estrategias siguen correspondiendo a la aplicación.

ScrapeGraphAI encaja mejor si primero se describe el objetivo con un prompt común y después se fija la forma de salida mediante schema. Entre distintas plantillas puede reducir el trabajo de reglas específicas por sitio, pero exige definir «precio actual», «precio desde» y «precio tachado». Su servicio Schema genera restricciones de salida JSON, no reglas CSS de localización, ni demuestra que un precio corresponda realmente al producto objetivo.

El uso mixto no exige cambiar todo el recopilador. Extract admite HTML o Markdown existente, de modo que se pueden enviar fragmentos de producto autorizados y guardados para interpretarlos. Pero al recortarlos deben conservarse etiquetas de precio, especificaciones y límites del producto, no solo números cuya relación deba adivinar el modelo. Una llamada alojada también envía el contenido al proveedor y debe contemplarse en las autorizaciones de tratamiento de datos del equipo.

Aceptar por separado cobertura de productos y exactitud de campos

La recopilación profunda de Crawl4AI controla profundidad, dominios y filtros. La interacción con páginas puede ejecutar JavaScript, esperar contenido y gestionar «Cargar más». Descubrir enlaces y desplegar la página actual son tareas distintas. Fijar una profundidad no demuestra automáticamente que hayan aparecido todos los productos paginados.

El Crawl alojado de ScrapeGraphAI también explora enlaces, limita páginas, profundidad y rutas incluidas y devuelve el estado de la tarea de forma asíncrona. Para obtener el contenido real hay que leer además la interfaz de resultados paginados. La paginación por cursor de resultados de API no debe confundirse con la paginación del catálogo en el sitio objetivo. Que la biblioteca abierta acepte múltiples fuentes tampoco equivale directamente a todas las funciones de Crawl alojado.

La aceptación debe empezar listando las URL de productos esperadas y verificando después el estado de extracción de cada una. Obtener 20 registros impecables de la página inicial no demuestra que no existan productos en otra página. Ante CAPTCHA, acceso denegado o permiso incierto, deténgase y confirme la autorización. Eludir restricciones no es un método para completar datos.

Dar un significado claro a nulos, fuentes y actualizaciones

Se recomienda fijar los campos de negocio name, sku, price, currency, availability y guardar además source_url, fetched_at y un fragmento de evidencia. Es un contrato de datos de la aplicación, no un formato que ambos productos garanticen automáticamente. El programa de recopilación debe escribir URL y hora, sin dejar que el modelo las complete de memoria. El fragmento de evidencia debe poder encontrarse literalmente en la versión guardada de la página.

Cuando falta el precio, permita null y distinga «la página no lo proporciona», «la página no terminó de cargar» y «falló la extracción». Exigir que exista un campo y exigir un valor numérico son cosas distintas. Obligar a que el precio sea siempre numérico puede convertir una ausencia legítima en una cifra incorrectamente inventada. Un inventario vacío tampoco equivale a agotado, ni null debe convertirse en precio cero. Un selector puede extraer sistemáticamente la zona equivocada y un modelo generar un valor falso con formato perfectamente válido. Tras validar el schema, compruebe límites del producto y texto original.

Al actualizar, conserve los registros antiguos verificados y ponga los resultados nuevos en una zona pendiente de validación. Una lectura que agote el tiempo puede reintentarse con límites y espera progresiva. Los conflictos de campos deben conservar evidencia y pasar a revisión humana, sin preguntar repetidamente al modelo hasta obtener la respuesta deseada. Si se sigue mostrando un precio antiguo, indique su fecha original de recopilación; no presente el último éxito como actualización de hoy.

Decidir con un catálogo pequeño

Prepare, por ejemplo, 30 páginas de producto autorizadas que cubran 3 plantillas, 10 por cada una, con precio normal, solo precio desde, precio ausente, falta de existencias e interferencia de productos recomendados. Anote manualmente cada campo y su ubicación original. Ambos enfoques usarán las mismas instantáneas y el mismo contrato de salida. Ejecute primero por separado reglas y modelo y compare después una alternativa mixta que solo envíe al modelo los campos ambiguos.

Registre al menos URL esperadas cubiertas, productos correctamente emparejados, campos no vacíos correctos, campos que debían estar vacíos pero fueron rellenados y coste total por registro aceptado. Trate los valores mezclados entre productos y los precios inventados como motivos de bloqueo. El responsable de negocio debe acordar previamente cuántas ausencias reales se permiten. Modifique después una plantilla, provoque un fallo de lectura y repita sobre la misma instantánea para revisar alertas, reintentos y diferencias de salida. Son pasos pendientes de ejecutar, no resultados ya alcanzados por las herramientas.

Para actualizar repetidamente plantillas estables con alguien que mantenga las reglas, merece probar primero la vía de Crawl4AI basada en reglas. Si las plantillas están dispersas, los campos requieren interpretación textual y el equipo puede asumir revisión por muestreo, encaja mejor la vía de ScrapeGraphAI basada en modelos. El coste debe sumar navegador o alojamiento, modelos, reejecuciones y correcciones humanas. «Código abierto gratuito» o un JSON correcto una vez no sustituye un presupuesto. Si el propietario del catálogo ya ofrece una exportación estructurada autorizada, compare primero esa vía. Se compran registros de producto rastreables y corregibles, no solo una extracción exitosa.

Nota sobre el contenido:Este artículo se basa en información pública y sirve como referencia para comparar y elegir herramientas. Las funciones, los precios y las políticas relacionadas pueden cambiar en cualquier momento; consulta la información oficial más reciente.

Fuente original:crawl4ai.com