Scrapling llegó a 99.000 estrellas haciendo lo aburrido

Scrapling tiene 99.627 estrellas en GitHub esta semana. Es una cifra extraña para una biblioteca de scraping web, una categoría donde el trabajo honesto es poco vistoso y los proyectos populares suelen estar abandonados o reescritos cada dieciocho meses.
Su README hace una afirmación grande en las dos primeras líneas —«el MEJOR framework de scraping web, capaz de todo, desde una sola petición hasta un rastreo a gran escala»— y luego, algo poco habitual, dedica el resto del documento a ganársela con detalles concretos. Comandos de instalación que fallan si se salta un paso. Un desafío de Cloudflare resuelto en cuatro líneas de Python. Una nota que avisa de que la instalación solo del analizador lanzará ModuleNotFoundError en el momento de importar un fetcher, que es exactamente el tipo de cosa que un README suele esconder.
Ese último detalle es la razón por la que me fío del resto.
La instalación es el tutorial
Hace falta Python 3.10 o superior. Después:
pip install scrapling
Eso da el motor de análisis y nada más. Ni fetchers, ni CLI, ni navegadores. Si se intenta importar desde scrapling.fetchers, falla, y el README lo dice en un recuadro de advertencia en lugar de dejar que se descubra.
Para descargar páginas de verdad:
pip install "scrapling[fetchers]"
scrapling install
El segundo comando descarga navegadores, sus dependencias del sistema y la capa de manipulación de huellas. Hay más extras si hacen falta: [ai] para el servidor MCP, [rag] para los ayudantes de RAG, [shell] para la consola interactiva de scraping y el comando extract, [all] para todo. También hay una imagen de Docker, que es lo que acabará usando la mayoría en producción.
La estructura dice para quién es esto. Un analista de datos que quiere parsear un archivo HTML no paga nada extra. Quien lanza un rastreo paga la descarga del navegador una vez.
Cuatro líneas que antes eran cuarenta
El patrón básico es una sesión con una huella de navegador adjunta:
with FetcherSession(impersonate='chrome') as session:
page = session.get(url, stealthy_headers=True)
quotes = page.css('.quote .text::text').getall()
Ese argumento impersonate hace trabajo real. Hace que la petición parezca la versión actual de Chrome a nivel de TLS, no solo en la cadena de user-agent. Quien haya visto bloquear un scraper sin motivo visible sabe que la delación suele estar en el handshake y no en las cabeceras.
Cuando una página necesita JavaScript, los mismos selectores funcionan contra un navegador real:
with StealthySession(headless=True, solve_cloudflare=True) as session:
page = session.fetch(target, google_search=False)
Y Scrapling mantiene una sola API en todo lo anterior. page.css(), page.xpath(), búsqueda por texto, búsqueda por regex: las mismas llamadas tanto si la página vino de una petición HTTP cruda como de un Chromium sin interfaz que acaba de pasar un intersticial. Esa consistencia es la mayor parte del valor. La mayoría de las pilas de scraping obligan a escribir dos versiones de cada parser y mantener las dos.

La función que justifica de verdad las estrellas
El scraping web se rompe constantemente y casi nunca se rompe con ruido. Un sitio cambia el nombre de una clase, el selector devuelve una lista vacía y la tubería sigue corriendo y escribiendo nulos en una base de datos hasta que alguien lo nota una semana después.
La respuesta de Scrapling es el seguimiento adaptativo de elementos: guarda suficiente información sobre un elemento encontrado como para reubicarlo cuando cambia la estructura de la página, usando similitud en lugar de un selector exacto. También hay una llamada de «buscar elementos similares» que localiza hermanos de un elemento encontrado automáticamente, útil cuando una página de listado añade una insignia o envuelve los elementos en un nuevo div.
Esto no es magia y no salva de un rediseño completo. Pero el modo de fallo que aborda —un selector que deja de coincidir en silencio— es el más caro de este oficio. Cualquier cosa que convierta un fallo silencioso en una coincidencia aproximada merece una dependencia.
Por qué es tendencia ahora y no hace dos años
El momento no tiene que ver con el scraping. Tiene que ver con quién hace el scraping.
El repositorio incluye una skill de agente —listada en Clawhub y documentada junto a la biblioteca— para que un agente de IA pueda llamar a Scrapling como herramienta en lugar de generar un script improvisado de requests más BeautifulSoup cada vez que necesita una página. También hay un servidor MCP detrás del extra [ai].
Esa es otra categoría de producto, distinta de «una biblioteca que los humanos importan». Cuando un agente escribe su propio scraper, tiende a producir código que funciona una vez: sin lógica de reintentos, sin manejo de huellas, sin idea de qué hacer con una página de Cloudflare. Darle una herramienta que ya resuelve todo eso es más barato que esperar que el script generado sea bueno.
Así que el recuento de estrellas es en parte una apuesta por un flujo: no «voy a escribir un scraper», sino «mi agente necesitará leer una página y quiero que eso sea una llamada».
Una evaluación de diez minutos
No conviene juzgarla en una página amable. Elegir el sitio que rompió el último scraper: el de listados con carga diferida y una comprobación de bot que aparece a la tercera petición.
Descargarlo una vez con Fetcher y anotar si llega el HTML real o un cascarón. Después con StealthyFetcher y medir cuánto tarda el navegador en arrancar y resolver el desafío. Esa cifra es el presupuesto por página; cualquier cosa por encima de uno o dos segundos cambia la arquitectura de un rastreo.
Luego romper el selector a propósito. Cambiar un nombre de clase en una copia guardada de la página y repetir el parseo. Si el seguimiento adaptativo reubica el elemento, se ha encontrado la función que más tiempo ahorrará en un año. Si no devuelve nada, se conoce el límite.
Por último, apuntarlo a una página que devuelve un 404 y a otra que expira. El manejo de errores es donde las bibliotecas suelen revelar si alguien las ha puesto en producción.
Dónde encaja junto a un framework de navegador
Scrapling no intenta sustituir a Playwright, y la comparación merece claridad. Playwright es una biblioteca de automatización de navegador: maneja un navegador y expone todo lo que el navegador sabe hacer, incluidos clics, escritura, espera de condiciones de red y capturas de pantalla. Es la herramienta correcta para probar una interfaz.
Scrapling es una biblioteca de scraping que usará un navegador cuando una página lo requiera. Su API está construida alrededor de extraer datos, no de reproducir el comportamiento de un usuario. Si el trabajo es «leer esta tabla de cuarenta mil páginas de producto», esa diferencia lo es todo; si el trabajo es «iniciar sesión, añadir al carrito, verificar el recibo», lo que se quiere es la herramienta de automatización.
El solapamiento es real y la mayoría de los equipos acaban con las dos: Playwright para los flujos que hay que programar, Scrapling para las páginas que hay que leer.
De qué hay que cuidarse
Resolver desafíos de Cloudflare es una capacidad técnica legítima y jurídicamente gris según dónde se esté y qué se esté recogiendo. La biblioteca no lo dirá. Las condiciones de servicio, el robots.txt, los límites de tasa y las normas sobre datos personales siguen aplicándose tanto si el cliente renderiza JavaScript como si no.
La automatización de navegador a escala también pesa. Cada sesión sigilosa es un navegador real. Diez mil páginas con StealthyFetcher son una factura de cómputo, no un script. Conviene empezar con Fetcher simple y escalar solo las páginas que de verdad lo necesiten.
Y la confianza del README es una personalidad, no una garantía. El proyecto se compara favorablemente con alternativas; esas comparaciones son del autor y están hechas con los benchmarks del autor. Conviene tomarlas como motivo para probar, no como resultado.
La conclusión
Lo interesante de Scrapling no es que gane a otros scrapers en un benchmark. Es que una biblioteca cuyo trabajo principal es ser aburrida llegue a 99.000 estrellas por ser honesta con las partes aburridas: las huellas, la instalación del navegador, los selectores que dejan de coincidir, la página que exige resolver un desafío antes de hablar.
La mayor parte de la web sigue sujeta con divs y esperanza. Las herramientas que respetan eso merecen quedarse.
Artículos relacionados
Nvidia financia a quien le compra: el bucle de 99.000 millones
Financias al comprador, el comprador compra tu producto y los ingresos se componen. El problema aparece en el borde del bucle.
El 74% de margen bruto tiene fecha de caducidad
Un punto de margen bruto son 3.000 millones al año. Tres puntos, 9.000. Y las tres fuerzas que los presionan llegan a la vez.
175.000 firmas no lo devuelven al cargo. Esto sí podría.
La campaña del regreso se presenta como lealtad contra gobernanza. En realidad es un referéndum sobre cuánto vale un fundador.
Nvidia nunca construyó un banquillo, y ese es el hallazgo
La empresa pasó treinta y tres años sin construir un banquillo. El precio de esa omisión llegó en una sola semana, con un 25% de descuento.