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.
Los sistemas de inspección profunda de paquetes (DPI) escanean activamente las conexiones VPN estándar y las descartan. OpenVPN y WireGuard fallan en minutos. Esto se debe…
Compara Instant Data Scraper con CyberYozh y descubre cuándo se vuelven necesarios los crawlers escalables, la rotación de proxies, la geolocalización, las sesiones y la automatización.
Ejecutar la automatización en Reddit, Instagram o TikTok suele funcionar al principio, pero luego empieza a fallar sin una razón clara. Las cuentas se marcan, las…
Yozh Scraper es un proyecto de código abierto, y todas las actualizaciones están disponibles en GitHub. A continuación se detallan las novedades más destacadas.
fingerprint_profile on POST /scrape/page, POST /scrape/pages and the crawler/search scrape_options: pin the Camoufox fingerprint's OS and WebGL vendor instead of Camoufox's per-launch random draw (which claimed an OS the server is not two launches in three). Profiles: auto (default, resolves to CAMOUFOX_FINGERPRINT_PROFILE, ships windows_on_host), windows_on_host, host, random, and the bare names windows / macos / linux. The old spoof_os keeps working and equals the three bare names; a caller stating both must not name conflicting operating systems. meta.applied_fingerprint reports what actually ran, including when a profile degraded. New env vars CAMOUFOX_FINGERPRINT_PROFILE (default windows_on_host) and HOST_GPU_VENDOR.post_process pipeline nulls an entire column (every row) — a fourth class of silent failure the invalid/empty/length-mismatch selector checks did not cover. Reported only for a fully-nulled column with more than one row, or a scalar field; an optional value missing on a single row stays quiet.pylint and pytest -m "not e2e" on every push and pull request, the checks the repo already defined but never enforced.run_scrape now returns a typed envelope (ScrapeOk / ScrapeErr) built as the same pydantic models the API validates on the way out, with mypy over the queue surface. An older worker meeting a metadata value a newer API introduced degrades that field and keeps the fetched page, rather than dropping it. Internal refactor; the public HTTP response is unchanged.session_id, cookies and render are now rejected with 422 on the Camoufox engine instead of being accepted and silently ignored (which returned a logged-out or non-rendered page that read as the site having changed). /search maps the rejection to a 400 rather than a 500.mcp 2.0.0 made Server.__init__ keyword-only, which fastapi-mcp 0.4.x still calls positionally, so a clean docker build shipped services that raised TypeError in create_app() before serving anything. Both requirements.txt and yozh-crawler/requirements.txt now pin mcp>=1.28.1,<2. The floor keeps the fix for GHSA-vj7q-gjh5-988w (HIGH — WebSocket Host/Origin validation). Drop the ceiling once fastapi-mcp ships a release built against mcp 2.x.urls field.From $19.99 / Now 19.99 parse the number rather than the label. Currency symbols, thousands separators (US and EU), leading decimals and negatives still parse as before.goto) timeout — the page was simply slow, the proxy is fine — used to burn the retry budget and rotate the proxy; it now gets one rotation at most and otherwise returns a timeout to the caller instead of looping. Genuine proxy failures (connection reset, tunnel/auth errors, net::ERR_*) still rotate and retry as before.examples/ (langchain-anthropic) and the local scraper-tester dev harness (express, qs, http-proxy-middleware, follow-redirects). No shipped scraper runtime or API change.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.