Una herramienta de código abierto para la recopilación y extracción de datos. Empieza con una sola URL, rastrea el sitio y obtén datos estructurados a medida que se cargan las páginas. Funciona con MCP y herramientas como Claude y Cursor, y cuenta con configuraciones predefinidas para plataformas de venta como Amazon y eBay.
Yozh Crawler genera un mapa de toda la estructura del sitio y procesa las páginas a medida que las va encontrando. De este modo, obtienes tanto cobertura como resultados útiles en una sola ejecución, sin necesidad de gestionar por separado los pasos de rastreo y extracción de datos. Funciona directamente dentro de tus flujos de trabajo existentes de recopilación de datos y extracción.
Empieza por una URL y rastrea todo el sitio web. Las páginas se detectan y procesan en una sola pasada, por lo que obtienes una cobertura completa sin pasos adicionales.
¿Solo necesitas enlaces? Cambia al modo de exploración y genera un mapa del sitio sin analizar el código. Es más rápido, más ligero y útil para auditorías y comprobaciones de estructura.
Sincroniza los encabezados, la ubicación y las señales del navegador con tu proxy. Ayuda a mantener la coherencia de las sesiones en diferentes regiones.
Ejecuta cientos de URL en una sola solicitud. Procesa todo en paralelo con un único resultado claro.
Detén las tareas sin afectar a los resultados. Deja que las páginas activas terminen o detén todo al instante cuando sea necesario.
Conéctate directamente con herramientas como Claude y Cursor. Incorpora el scraping y el crawling a tus flujos de trabajo actuales.
Amazon, eBay, Walmart, Google, Google Shopping, YouTube, LinkedIn, Bing, Yandex: introduce el nombre de la fuente y los parámetros, y obtén una respuesta normalizada. No hay que escribir ningún selector.
¿Una página web implementa un cambio en el diseño y tus selectores CSS devuelven un resultado vacío? El analizador solicita a un modelo de lenguaje grande (LLM) (OpenAI / Anthropic / Gemini / OpenRouter) que vuelva a generar el selector sobre la marcha. El proceso continúa ejecutándose.
¿Necesitas una página web para la que no ofrecemos una configuración predefinida? Describe qué hay que extraer y pega una URL de ejemplo — POST /api/v1/presets/generate devuelve un JSON de configuración predefinida listo para usar.
Inicia sesión una vez mediante un lenguaje de programación declarativo (ir a / rellenar / hacer clic / esperar) o pega las cookies exportadas. Reutiliza la sesión en cada rastreo. Es necesario para objetivos con acceso restringido, como la configuración preestablecida de LinkedIn.
Configura tu flujo de trabajo en un solo lugar y ejecútalo como mejor te convenga. Todo está claro, organizado y es fácil de gestionar sin necesidad de herramientas adicionales.
Accede a proxies residenciales, móviles y de centros de datos en más de 120 países. Más de 50 millones de direcciones IP con un tiempo de actividad del 99,9 %. Incluye compatibilidad con la identificación de dispositivos para adaptar el comportamiento de estos, del navegador y de la red, lo que garantiza sesiones estables y un mayor control.
Utiliza selectores CSS, XPath o la detección automática para sitios web populares. Obtén datos JSON limpios y estructurados sin necesidad de configuraciones complejas.
Obtén código HTML sin formato, capturas de pantalla y datos analizados, todo en un mismo lugar. Todo lo que necesitas, sin tener que cambiar de herramienta.
Detén las tareas en cualquier momento con un solo clic y cambia entre el modo «scraper» y el modo «crawler». Tu flujo de trabajo sigue siendo sencillo y lo tienes todo bajo control.
Conecta Yozh Crawler y Yozh Scraper a Claude, Cursor o cualquier cliente MCP. Cambia de herramienta con un solo clic, sin necesidad de código adicional.
Todas las funciones de Yozh Scraper están disponibles como funciones para tu agente, incluyendo el scraping, las ejecuciones por lotes y las capturas de pantalla.
Copia la configuración, reinicia el cliente y ya está todo listo.
Claude Desktop, Cursor, Cline o agentes personalizados.
Elige cómo quiere que tu agente ejecute las tareas, desde páginas individuales hasta lotes completos.
Utiliza un servidor MCP local o impleméntalo en tu propia infraestructura.
// ~/Library/Application Support/Claude/claude_desktop_config.json { "mcpServers": { "yozh-scraper": { "type": "http", "url": "http://localhost:8000/mcp" }, "yozh-crawler": { "type": "http", "url": "http://localhost:8001/mcp" } } }
// Cursor → Settings → MCP → Add new MCP Server { "mcpServers": { "yozh-scraper": { "type": "http", "url": "http://localhost:8000/mcp" }, "yozh-crawler": { "type": "http", "url": "http://localhost:8001/mcp" } } }
// Cline → MCP Servers → Edit cline_mcp_settings.json { "mcpServers": { "yozh-scraper": { "type": "http", "url": "http://localhost:8000/mcp", "disabled": false }, "yozh-crawler": { "type": "http", "url": "http://localhost:8001/mcp", "disabled": false } } }
// Anthropic Messages API · MCP via Streamable HTTP // Note: scraper must be reachable from Anthropic's servers (deploy publicly) import Anthropic from "@anthropic-ai/sdk"; const response = await new Anthropic().messages.create({ model: "claude-opus-4-8", mcp_servers: [ { type: "url", url: "https://your-host/mcp", name: "yozh-scraper" }, { type: "url", url: "https://your-host:8001/mcp", name: "yozh-crawler" } ], messages: [...] });
Yozh Crawler parte de una URL, descubre las páginas de todo el sitio web y las procesa a medida que se cargan, lo que te proporciona una estructura completa y datos útiles en una sola ejecución.
Las páginas aparecen a medida que se detectan y se procesan. Accede directamente desde tu cliente, agente o canal de ventas sin tener que esperar a que se completen los procesos.
¿Solo necesitas enlaces? Genera un mapa del sitio sin necesidad de analizar el código. Es más rápido y más económico para las comprobaciones de estructura y las auditorías.
Detén los procesos de forma segura. Deja que las páginas activas terminen de cargarse o detén todo al instante cuando sea necesario.
Cambia entre el «scraper» y el «crawler» con un solo botón. Tu agente utiliza la herramienta adecuada para cada tarea.
Observa cómo se va creando la estructura del sitio web en tiempo real. Sigue el progreso página a página sin salir del panel de control.
| URL | Parent | Depth | Status | Took |
|---|
El rastreador encuentra páginas, el extractor las procesa y tu agente de IA utiliza los resultados; todo ello diseñado tanto para principiantes como para expertos.
Detecta todas las URL
Extracto en formato JSON
Analiza y decide
Realiza un seguimiento de los catálogos, los precios y los detalles de los productos de la competencia en un solo lugar. Detecta las carencias en tus propios listados y reacciona más rápido a los cambios del mercado.
Realiza un seguimiento automático de los cambios de precios en los distintos mercados. Configura alertas y recibe notificaciones en Telegram o Slack cuando los precios varíen.
Recopila conjuntos de datos limpios y estructurados procedentes de fuentes públicas, listos para su análisis o para el entrenamiento de modelos. Diseñado para una recopilación de datos fiable a gran escala.
Configuración regional, divisas, selectores y gestión antibots: todo ya configurado. Elige un perfil predefinido para ver qué datos se extraen.
All fields below are extracted automatically — no selectors to write.
Abre una incidencia en GitHub o comparte tu propio ajuste predefinido; revisamos las solicitudes de incorporación de cambios en el plazo de una semana.
Tres tipos, seis configuraciones. Elige según el trabajo, la velocidad y el presupuesto.
Dispositivos móviles reales conectados a redes de operadores. El nivel más alto de fiabilidad, con estrictos sistemas contra los bots.
Dispositivo personal, rotación manual de IP a través de la API
Un dispositivo, varios usuarios
Cada dirección IP procede de un smartphone real o de un módem LTE/5G conectado a un operador de telefonía móvil importante. La dirección IP la comparten miles de suscriptores habituales, por lo que bloquearla supondría bloquear a usuarios reales; de ahí que los sistemas antibots confíen sobre todo en las direcciones IP móviles.
Direcciones IP de usuarios reales de Internet doméstico en más de 120 países. Acceso a más de 50 millones de direcciones IP con un equilibrio óptimo entre fiabilidad y coste.
Routers auténticos, con dirección IP fija durante todo el periodo de alquiler
Más de 100 millones de direcciones IP, rotación automática por temporizador o por solicitud
Las direcciones IP residenciales proceden de auténticos abonados a Internet doméstico que aceptan compartir ancho de banda a cambio de una compensación, a través de una red transparente de participación voluntaria. Su conexión es idéntica a la de cualquier otro usuario doméstico, porque lo es.
Máxima velocidad, mínimo coste. Más de 2 millones de direcciones IP en centros de datos de todo el mundo.
Una dirección IP asignada a ti, tráfico ilimitado
Shared Pool, la opción económica para trabajos sencillos
Las direcciones IP están alojadas en centros de datos y no están conectadas a usuarios domésticos ni móviles. Son más baratas y rápidas que las residenciales, pero los sistemas antibots pueden identificarlas como no humanas, por lo que conviene utilizarlas en casos en los que la confianza no sea un factor crítico.
El código abierto es solo el punto de partida. La forma en que se recopilan los datos y cómo se obtienen los proxies es igual de importante. Estas son las normas que seguimos en la práctica, no meras declaraciones en una página.
Creamos herramientas, no lagunas legales. Yozh Scraper está diseñado para garantizar la fiabilidad de la extracción de datos públicos legítimos, no para vulnerar lo que debe permanecer privado.
El origen de las direcciones IP residenciales es la prueba de honestidad para cualquier proveedor de proxies. A continuación te explicamos de dónde proceden las nuestras, de forma explícita:
Si alguien hace un uso indebido de nuestra infraestructura para causar daño a otras personas, queremos saberlo y tomar medidas antes de que la situación empeore.
Si un caso de uso implica un uso indebido o causa daños, nuestras herramientas no están diseñadas para ello. Damos prioridad al uso responsable frente al crecimiento de la clientela.
Si un caso de uso implica ocultar la identidad con el fin de causar daño a otras personas, nuestras herramientas no sirven para eso. Y punto. Preferimos perder al cliente antes que traicionar nuestros principios.
Normas claras que rigen nuestro funcionamiento, desde la recopilación de datos hasta la contratación de servidores proxy y el uso de la plataforma. Se trata de las políticas concretas que sigue nuestro equipo, no de resúmenes.
Define qué está permitido en nuestra infraestructura y qué está restringido, con una justificación clara.
Explica cómo se revisan, gestionan y resuelven los reportes, incluidos los tiempos de respuesta.
Detalla cómo se obtienen las IP residenciales y móviles, con un modelo de participación voluntaria y suministro verificado.
Cubre la incorporación, cuándo se requiere verificación y cómo se gestionan los datos del usuario.
Enumera los dominios y casos de uso bloqueados, incluidos sectores sensibles como el gobierno y las finanzas.
Explica qué datos se recopilan, qué no se almacena, los límites de retención y el intercambio con terceros.
Automatiza la recopilación a gran escala de datos públicos: catálogos de productos, valoraciones, reseñas y datos geográficos. Yozh Scraper junto con proxies residenciales: legales, estables y limpios.
Más información
Crea agentes autónomos que recopilen datos, los analicen y actúen. La integración con MCP convierte a Yozh Scraper en una herramienta nativa para Claude y Cursor, sin necesidad de ninguna integración personalizada.
Más información
Realiza un seguimiento de los precios, el stock y la disponibilidad de los productos en Amazon, eBay y el resto de mercados internacionales. Las configuraciones predefinidas te ahorran semanas de trabajo de ingeniería.
Más información
"CyberYozh stands out as a powerful platform for affiliates and arbitrage teams, combining reliable proxy infrastructure, identity tools, and strong support in one ecosystem."
"CyberYozh App enables businesses to launch, test, and operate digital products across more than 30 countries through a scalable infrastructure built for global connectivity, verification, and digital operations."
"Built for organizations that rely on proxies every day, CyberYozh App delivers infrastructure designed for stability, scalability, and high-volume workloads rather than one-off sessions."
Lo que dicen quienes crean con Yozh
En una sola tarde cambiamos nuestro clúster interno de Playwright por Yozh. El punto final de MCP se integró directamente en nuestro agente Claude: sin necesidad de código de enlace, el rastreador y el extractor funcionaron a la primera.
El sistema de preajustes es la característica estrella. Introducimos el nombre de una fuente y obtenemos un JSON limpio; la función de autocorrección incluso detectó dos cambios en el diseño de Amazon antes de que nos diéramos cuenta.
Por fin, un rastreador de código abierto que trata los proxies y las sesiones como elementos de primer orden. Lo ejecutamos tras las barreras de inicio de sesión de los portales de nuestros socios: las sesiones se mantienen y los resultados son coherentes en todas las regiones.
Lo he conectado a Cursor a través de MCP y ahora mi agente extrae datos web en tiempo real mientras realiza la tarea. El rastreo en tiempo real a través de SSE es justo lo que les faltaba a los flujos de trabajo de los agentes.
Dejamos de utilizar una API de extracción de datos de pago para reducir costes y nos preparamos para un empeoramiento del servicio, pero ocurrió todo lo contrario. Es autohospedada, no hay facturación por solicitud y el esquema de salida es más claro que el que solíamos pagar.
Apuntar a sitios web modernos para entrenar modelos de IA rompe los pipelines tradicionales de extracción de datos. Diriges un navegador headless hacia un catálogo de…
Aprende cómo funciona la recopilación de datos web, qué métodos se ajustan a diferentes sitios, qué herramientas necesitas y cómo automatizar una recopilación fiable a gran…
Resumen: Superando los cuellos de botella del navegador La automatización de navegadores conlleva una sobrecarga computacional considerable. Los navegadores headless consumen gigabytes de RAM. Renderizan elementos…
Yozh Scraper es un proyecto de código abierto, y todas las actualizaciones están disponibles en GitHub. A continuación se detallan las novedades más destacadas.
<name>_chromium and <name>_camoufox (e.g. google_search_chromium, yandex_search_camoufox). A request names the exact variant it wants; each preset carries its own browser_engine.LOG_FORMAT=json (default text).EGRESS_ALLOW_HOSTS allowlist (empty by default) and an EGRESS_TRANSPORT_GUARD toggle (on by default).google_search, google_shopping, amazon_product, amazon_search, bing_search, ebay_search, linkedin_profile, walmart_product, yandex_search, youtube_video) are replaced by their per-engine variants. A request using a bare old name now returns 404 preset_not_found; append the engine suffix (_chromium, or _camoufox for the two anti-bot targets yandex_search and walmart_product).GET /api/v1/proxies/available and the entire /api/v2/prem-proxies/* catalog now require SERVICE_TOKEN and fail closed (503 when the token is unconfigured, 401 without it). Any consumer of these endpoints must send the X-Service-Token header; deploy the consumer first, or its calls degrade (for the proxy geo catalog, silently).unreadable_slots. A job with one corrupt or schema-skewed result slot now returns its other pages (HTTP 200) and names the bad slot, instead of the whole job failing with a 500 and becoming un-cancellable until its TTL expires.navigator, and Client-Hints (Sec-CH-UA) as the main fetch path, via a shared page-preparation helper. A credentialed login no longer submits a contradictory fingerprint (previously a macOS GPU and a HeadlessChrome Client-Hint under a Windows user agent).all / attr / post_process and required fields, and it is graded against the original contract — so a heal that returns a bare string where a coerced list belongs is no longer counted as a recovery. It also never heals from a transient 5xx error page. This closes a class of silent preset corruption.user:pass; a shared redactor masks proxy URLs while preserving host:port for diagnostics.litellm is bounded <1.98: 1.98.0 imports NotRequired from typing unguarded and fails to import on the Python 3.10 this project targets, so a fresh install or image build would produce a container that cannot start.HOST_GPU_VENDOR). Without it the restored context reported a generic SwiftShader/ANGLE software-renderer string, itself an automation tell.--enable-unsafe-swiftshader, gated by the new SOFTWARE_WEBGL setting (default on, Chromium-only; revertible by env without a code change).data.cyberyozh.pro) with per-service pages for the scraper and crawler.bing.com/ck/a?...&u=a1<base64url>) to the real destination URL. A field that should have been unwrapped but yielded nothing raises a warning instead of silently shipping the tracking link.meta.applied_warmup) instead of being indistinguishable from a request that ran no warmup at all, so a warmup that silently failed is visible rather than looking like a no-op.wait_for_selector timeout for an extraction anchor it will never grow: the block is returned at once (roughly a 45s saving per blocked page) instead of after the selector deadline.redis and scraper-worker services (both are already in docker-compose.yml). Scale capacity with docker compose up -d --scale scraper-worker=N.POST /scrape/page and /scrape/pages can now return 503 queue_full when the Redis stream depth exceeds QUEUE_MAXSIZE (previously the in-memory queue was unbounded).JOB_TIMEOUT_MS → use PAGE_TASK_TIMEOUT_S; JOB_RESULT_MAX → eviction is now a native Redis TTL (JOB_RESULT_TTL_S); JOBS_ENABLED → the queue is always on.REDIS_URL, PAGE_TASK_TIMEOUT_S, LOGIN_TASK_TIMEOUT_S, LOGIN_RESULT_GRACE_S, RECLAIM_IDLE_S, JOB_RESULT_TTL_S, BROWSER_MAX_PAGES, BROWSER_IDLE_SHUTDOWN_S, WARMUP_DWELL_MS.web-scraper container only enqueues page tasks and reads results; browsers run in separate, horizontally scalable scraper-worker containers.Tres comandos y ya tienes un scraper y un crawler en funcionamiento con puntos de conexión HTTP y MCP.
git clone https://github.com/\ CyberYozh-data/yozh-scraper cd yozh-scraper
cp .env.example .env docker compose up --build
curl -X POST localhost:8000/api/v1/scrape/page \
-H 'Content-Type: application/json' \
-d '{"url":"https://example.com"}'
Una persona de verdad lee todo lo que llega. Elige el canal que más te convenga: Telegram es el más rápido.
Yozh Crawler + Scraper es gratis. Para siempre. Danos una estrella si te resulta útil: cada estrella cuenta.
Yozh Crawler + Scraper se distribuye bajo la licencia MIT. Úsalo. Haz un fork. Desarrolla con él.