#scraping Repositorios
Descubre 109 repositorios activos de código abierto de GitHub etiquetados con #scraping, que acumulan 768,143 estrellas en total (una media de 7,047 estrellas por proyecto). El líder de este tema es firecrawl/firecrawl, con 205,758 estrellas.
109 repositorios en total
Infraestructura de conocimiento para hacer más inteligentes a sus agentes. Busque, extraiga y acceda a más de 550 proveedores de datos a través de una sola API.
🕷️ ¡El MEJOR framework de web scraping, capaz de gestionar desde una sola solicitud hasta un rastreo a gran escala! No seas tímido: únete aquí https://discord.gg/EMgGbDceNQ y síguenos aquí para recibir consejos y trucos a diario: https://x.com/Scrapling_dev
🕵️♂️ Recopila un expediente sobre una persona por nombre de usuario de 6.000 sitios web
Crawlee—Una biblioteca de web scraping y automatización de navegadores para Node.js para construir rastreadores confiables. En JavaScript y TypeScript. Extrae datos para IA, LLMs, RAG o GPTs. Descarga HTML, PDF, JPG, PNG y otros archivos de sitios web. Funciona con Puppeteer, Playwright, Cheerio, JSDOM y HTTP puro. Tanto en modo con cabeza como sin cabeza. Con rotación de proxies.
Chromedriver de Selenium personalizado | Cero configuración | Pasa TODOS los sistemas de mitigación de bots (como Distil / Imperva / Datadadome / CloudFlare IUAM)
Navegador headless sigiloso para agentes de IA — evita Cloudflare, detección de bots y anti-scraping. Reemplazo drop-in de Puppeteer/Playwright.
Crawlee: una biblioteca de scraping web y automatización de navegadores para Python con la que crear rastreadores fiables. Extrae datos estructurados con LLM mediante Pydantic AI o controla el navegador en lenguaje natural con Stagehand. Compatible con BeautifulSoup, Parsel, Playwright y HTTP sin procesar. Descarga HTML, PDF, imágenes y otros archivos. Incluye rotación de proxies.
Lista de bibliotecas, herramientas y APIs para web scraping y procesamiento de datos.
Tabula es una herramienta para liberar tablas de datos atrapadas dentro de archivos PDF
Herramienta de Python y línea de comandos para recopilar texto y metadatos en la Web: Rastreo, raspado, extracción, salida como CSV, JSON, HTML, MD, TXT, XML
Pydoll es una biblioteca para automatizar navegadores basados en Chromium sin WebDriver, que ofrece interacciones realistas.
🚀 Lista de proxies HTTP, SOCKS4 y SOCKS5 gratuitos * Actualizada cada 5 minutos * y API de proxy rotativo (más de 100 países)
Extractor de API de Twitter | Sin clave de API | API Interna de Twitter | Gratis | Extractor de Twitter | Bot de Twitter
Herramienta multiusos para raspar y extraer datos de activos en línea, hecha para hackers
Mechanize es una biblioteca de Ruby que facilita la interacción web automatizada.
Colección de temas útiles de ciencia de datos junto con artículos, videos y código
Haz ingeniería inversa de cualquier sitio web para convertirlo en un cliente API tipado. Compatible con Claude Code, Codex, Cursor y OpenCode.
Snoop – una herramienta OSINT (Inteligencia de Código Abierto) basada en datos abiertos
Falsificador de user agent simple y actualizado con base de datos del mundo real
AnyCrawl 🚀: Un rastreador Node.js/TypeScript que convierte sitios web en datos listos para LLM y extrae resultados SERP estructurados de Google/Bing/Baidu/etc. Multihilo nativo para procesamiento masivo.
Un navegador de huellas dactilares de código abierto basado en Ungoogled Chromium. Navegador de huellas digitales Navegador de privacidad
¿Quieres APRENDER COSAS NUEVAS GRATIS? No te preocupes, con el poder del web-scraping y la automatización, este script encontrará los cupones de Udemy necesarios y te inscribirá en CURSOS DE UDEMY DE PAGO, ¡ABSOLUTAMENTE GRATIS!
Biblioteca de Python y CLI para el scraping de X/Twitter con rotación de múltiples cuentas y manejo integrado de límites de velocidad.
Aprenda paso a paso cómo extraer datos de Google Trends y comparar resultados usando Python y la API SERP de Oxylabs. Extraiga palabras clave, su popularidad, desglose por región, consultas relacionadas y mucho más.
Geziyor, framework de web crawling y scraping ultrarrápido para Go. Soporta renderizado JS.
Un potente servidor Model Context Protocol (MCP) que proporciona una solución todo en uno para el acceso a la web pública.
Herramientas de huella digital del navegador para anonimizar tus scrapers. Desarrollado por Apify.
Núcleo Avanzado de Navegador de Privacidad con Defensa Unificada de Huellas Digitales: Cloudflare, Akamai, Kasada, Shape, DataDome, PerimeterX, hCaptcha, FunCaptcha, Imperva, reCAPTCHA, ThreatMetrix, Adscore
Playwright invisible: un Playwright que los sistemas antibots no pueden detectar, así que no hay captchas: la misma API, Firefox headless sigiloso y antidetección, huella digital indetectable, evita la detección de bots, scraping web y automatización del navegador con Python.
Una utilidad de línea de comandos para tomar capturas de pantalla de sitios web, grabar demostraciones en video y raspar sitios usando JavaScript
Hoja de trucos OSINT, lista de herramientas OSINT, wiki, conjunto de datos, artículo, libro, OSINT de equipo rojo para hackers y consejos OSINT y rama OSINT. Este repositorio crecerá cada vez que se investigue, hay investigación, ciencia y tecnología, tutoriales. Por favor, úselo sabiamente.
Lista de herramientas y navegadores anti-detección y de humanización, incluyendo solucionadores de captcha y activación por SMS.
Internet-in-a-Box - ¡Construye tu propia BIBLIOTECA DE ALEJANDRÍA con una Raspberry Pi!
Oculte la IP de su scraper detrás de la nube. Proporcione servidores proxy en diferentes proveedores de la nube para mejorar el éxito de su raspado.
En este tutorial, mostramos cómo extraer datos públicos de Google con Python y la API de Oxylabs.
Obtenga datos limpios de documentos complicados, impulsados por modelos de visión y lenguaje ⚡
Preguntas frecuentes
¿Cuál es el repositorio de #scraping más popular en GitHub?
El proyecto de código abierto de #scraping mejor posicionado en GitHub es firecrawl/firecrawl, con 205,758 estrellas. Infraestructura de conocimiento para hacer más inteligentes a sus agentes. Busque, extraiga y acceda a más de 550 proveedores de datos a través de una sola API.
¿Qué lenguajes de programación se utilizan más en los repositorios de #scraping?
Entre los proyectos de #scraping mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, TypeScript, Go, JavaScript.
¿Cómo se calcula la clasificación de los repositorios de #scraping?
Seguimos 109 repositorios activos de código abierto etiquetados con #scraping (500+ estrellas), que suman un total de 768,143 estrellas, con una media de 7,047 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.