¿Qué es ScrapeGraphAI?
ScrapeGraphAI sustituye los selectores CSS por un modelo de lenguaje. Le das una URL (o un archivo local HTML, XML, JSON o Markdown) y un prompt en lenguaje natural, y una secuencia de pasos, que llama grafo, descarga la página con Playwright y pide a un LLM que devuelva los campos como JSON. Hay grafos ya hechos para una página, para muchas páginas, para los primeros resultados de búsqueda y para generar un scraper de Python reutilizable.
Funciona con modelos alojados de OpenAI, Groq, Azure, Gemini, MiniMax y otros, o con modelos locales a través de Ollama, y se integra con LangChain, LlamaIndex, CrewAI, Agno y herramientas low-code. Hay un servidor MCP disponible.
La biblioteca tiene licencia MIT y envía telemetría por defecto; en el código actual eso incluye el prompt, el esquema, el contenido de la página, la respuesta del modelo y la URL de cada ejecución. La misma empresa vende una API alojada con proxies y gestión antibots, desde un nivel gratuito hasta 500 $ al mes.
¿Cuánto cuesta ScrapeGraphAI?
| Plan | Precio | Qué incluye |
|---|---|---|
| Library | Free | MIT; pagas los tokens del LLM |
| Hosted API | $20, $100 or $500 a month | Tras 500 créditos gratuitos de una sola vez |
| Enterprise | Custom |
Biblioteca gratuita con MIT; pagas los tokens del LLM. API alojada: 500 créditos gratuitos de una sola vez y después 20 $, 100 $ o 500 $ al mes; Enterprise a medida.
¿Merece la pena ScrapeGraphAI?
ScrapeGraphAI resuelve la extracción, no el rastreo, y su telemetría por defecto es lo primero que un equipo debería cambiar. Leyendo telemetry.py en la v2.3.1, cada ejecución correcta con esquema envía el prompt del usuario, el esquema JSON, el contenido de la página extraída, la respuesta del modelo y la URL a un endpoint de trazas alojado en Render. El README lo describe como métricas de uso anónimas; se parece más a una copia del trabajo. Establecer SCRAPEGRAPHAI_TELEMETRY_ENABLED=false lo detiene.
La extracción en sí es el atractivo. Los grafos guiados por prompts sobreviven a rediseños de sitios que rompen los scrapers basados en selectores, y cambiar un modelo alojado por un modelo local de Ollama es una línea de configuración. El proyecto tiene unas 32.200 estrellas en GitHub, ocho issues abiertos y una versión cada dos o tres semanas aproximadamente, la más reciente la v2.3.1 del 6 de octubre de 2026.
El coste crece con las páginas. En la biblioteca cada página es una llamada al modelo; en la API alojada una petición Extract cuesta 5 créditos, así que los 100.000 créditos del plan Growth de 100 $ dan para unas 20.000 extracciones, o medio céntimo cada una. Como un modelo de lenguaje lee cada página, puede inventar o deformar un campo que nunca estuvo ahí, así que las salidas necesitan validación de esquema.
La biblioteca de código abierto no tiene red de proxies ni capa antibots; los sitios protegidos fallan salvo que aportes tus propios proxies, y la API alojada reserva la rotación de proxies para Growth y superiores. Para convertir sitios enteros en Markdown para un índice RAG, Crawl4AI o Firecrawl son más rápidos y baratos, porque no necesitan que un modelo lea cada página.
Dónde se gana su sitio
Un ingeniero de datos en una startup de comparación de precios
Extraer campos de precio, stock y especificaciones de 300 páginas de tiendas que cambian de maquetación a menudo
Un SmartScraperGraph por página con un esquema de Pydantic sustituye a los selectores frágiles. Cada página cuesta una llamada al modelo, así que un modelo alojado pequeño o Ollama en local contienen la factura, y antes hay que desactivar la telemetría.
Una analista de operaciones comerciales en una empresa B2B de 50 personas
Crear una lista de contactos a partir de unos cientos de webs de empresas
El endpoint Extract de la API alojada, a 5 créditos por página, encaja con los 10.000 créditos del plan Starter de 20 $ para unas 2.000 páginas al mes, sin infraestructura que mantener.
Un desarrollador en un equipo sujeto a regulación
Extraer campos de informes HTML internos sin que los datos salgan de la red
La biblioteca con un modelo local de Ollama y SCRAPEGRAPHAI_TELEMETRY_ENABLED=false lo mantiene todo on-premise; sin ese flag, el contenido de las páginas va al endpoint de los mantenedores.
Antes de decidirte
- Puesta en marcha
- pip install scrapegraphai y después playwright install para el navegador headless; una primera extracción son una docena de líneas de Python con una API key o un modelo de Ollama descargado en local.
- Integraciones
- Modelos de OpenAI, Groq, Azure, Gemini, MiniMax y Ollama; LangChain, LlamaIndex, CrewAI y Agno; Zapier, Pipedream y Bubble para la API alojada; un servidor MCP.
- Datos y privacidad
- Licencia MIT. La telemetría está activada por defecto y, según el código fuente, envía el prompt, el esquema, el contenido de la página, la respuesta del LLM y la URL; desactívala con SCRAPEGRAPHAI_TELEMETRY_ENABLED=false. No hay avisos de seguridad publicados en GitHub. La página de precios de la API alojada dice "All requests are SOC 2 Type II compliant"; los términos de retención y entrenamiento no aparecen en ella.
- Coste a escala
- Autoalojado, el coste son los tokens del modelo por página más tus propios proxies. Alojado: Starter a 20 $ por 10.000 créditos, Growth a 100 $ por 100.000, Pro a 500 $ por 750.000; Extract cuesta 5 créditos por página y el modo stealth añade 5.
- Límites
- Los límites de peticiones de la API alojada van de 10 por minuto en Free a 5.000 en Pro. La biblioteca carece de rastreo a escala, rotación de proxies y gestión antibots, que Firecrawl y Crawl4AI cubren mejor.
Lo bueno
- Extracción basada en prompts que sobrevive a los cambios de maquetación
- Funciona totalmente en local con modelos de Ollama
- Licencia MIT y versiones frecuentes
- API alojada con un precio claro en créditos por petición
Lo malo
- La telemetría por defecto envía prompts, contenido de páginas y respuestas
- Una llamada al modelo por cada página
- Puede inventarse campos sin validación de esquema
- Sin proxies ni antibots en la biblioteca
Ideal para
Desarrolladores que extraen campos tipados de un número moderado de páginas web variadas.
Alternativas a ScrapeGraphAI
ScrapeGraphAI: preguntas frecuentes
- ¿Merece la pena ScrapeGraphAI?
- Es bueno extrayendo unos pocos campos tipados de páginas desordenadas, pero por defecto envía a sus creadores el contenido que extraes y paga una llamada al modelo por cada página. Le damos un 3.6 sobre 5.
- ¿Cuánto cuesta ScrapeGraphAI?
- Biblioteca gratuita con MIT; pagas los tokens del LLM. API alojada: 500 créditos gratuitos de una sola vez y después 20 $, 100 $ o 500 $ al mes; Enterprise a medida.
- ¿Qué inconvenientes tiene ScrapeGraphAI?
- La telemetría por defecto envía prompts, contenido de páginas y respuestas; una llamada al modelo por cada página; puede inventarse campos sin validación de esquema; sin proxies ni antibots en la biblioteca.
- ¿Para quién es ScrapeGraphAI?
- Desarrolladores que extraen campos tipados de un número moderado de páginas web variadas.
- ¿Cuánto cuesta ScrapeGraphAI para un equipo o en producción?
- Autoalojado, el coste son los tokens del modelo por página más tus propios proxies. Alojado: Starter a 20 $ por 10.000 créditos, Growth a 100 $ por 100.000, Pro a 500 $ por 750.000; Extract cuesta 5 créditos por página y el modo stealth añade 5.
- ¿Es ScrapeGraphAI seguro para los datos de la empresa?
- Licencia MIT. La telemetría está activada por defecto y, según el código fuente, envía el prompt, el esquema, el contenido de la página, la respuesta del LLM y la URL; desactívala con SCRAPEGRAPHAI_TELEMETRY_ENABLED=false. No hay avisos de seguridad publicados en GitHub. La página de precios de la API alojada dice "All requests are SOC 2 Type II compliant"; los términos de retención y entrenamiento no aparecen en ella.
- ¿Cuáles son las mejores alternativas a ScrapeGraphAI?
- Las alternativas más cercanas que hemos analizado son Crawl4AI y Firecrawl.
Respuestas comprobadas el 26 oct 2026.