TL;DR
- Usa Cloud Browser cuando el resultado dependa de una sesión interactiva, por ejemplo, para validar un formulario, completar una búsqueda o ceder el control a un operador.
- Usa una API de rastreo si necesitas documentos o evidencias procedentes de URLs públicas o cuyo acceso esté autorizado.
- Ambos enfoques pueden implicar el renderizado de JavaScript. Define primero la interacción necesaria y el resultado que el consumidor debe aceptar.
- Elige Markdown para incorporar texto, HTML para inspeccionar el marcado, y una captura o un PDF cuando necesites una evidencia visual.
- Si vas a usar los dos productos, asigna responsables distintos a la interacción y la adquisición de contenido. Conecta los trabajos mediante una URL autorizada y un registro de ejecución.
- Compara el consumo por resultado aceptado e incluye el trabajo de validación y recuperación que asume tu aplicación.
¿En qué se diferencian un navegador en la nube y una API de rastreo?
Un navegador en la nube permite controlar un navegador en ejecución. Una API de rastreo acepta una URL o una tarea y devuelve contenido y otros archivos. Con un navegador gestionado, tu código decide qué página abrir, qué controles utilizar y cómo confirmar el resultado. Con una API de rastreo, tu aplicación define las URLs, el alcance, los formatos de salida y los criterios de aceptación. Nstdata Cloud Browser y Nstdata Crawl ofrecen esos dos modelos de trabajo.
Imagina que un equipo de documentación quiere indexar notas de versión públicas y comprobar que un editor puede guardar un borrador en un CMS de preproducción. El índice puede partir de URLs públicas y recibir Markdown validado. La prueba del CMS requiere una cuenta de pruebas autorizada, una interacción concreta y una confirmación de que el sistema aceptó el cambio. Son dos trabajos con criterios distintos, incluso si ambos utilizan Chromium en alguna etapa. La guía sobre extracción y rastreo web explica la diferencia entre descubrir URLs y extraer contenido de una página conocida.
¿Qué producto conviene para cada tipo de trabajo?
Elige Cloud Browser para interacciones que conserven el estado de la sesión y Crawl para la adquisición de contenido a partir de URLs. El criterio de aceptación orienta la decisión. Si necesitas verificar un número de recibo, registrar un punto de control o esperar una aprobación humana, gestiona explícitamente el ciclo de vida del navegador. Si necesitas documentos indexados con URL de origen y fecha de captura, prioriza el alcance de adquisición, la calidad de la extracción y la reproducibilidad.
| Criterio | Nstdata Cloud Browser | Nstdata Crawl |
|---|---|---|
| Entrada | Configuración del navegador, destino y acciones autorizadas | URL inicial o de página, opciones y formatos solicitados |
| Control | Una página interactiva mediante Live View o un cliente compatible | Una solicitud de contenido con controles de renderizado y límites documentados |
| Salida | Aserciones, capturas y otros archivos que define la aplicación | Formatos de página documentados y referencias de almacenamiento disponibles |
| Unidad de trabajo | Una sesión con responsable y una tarea concreta | Una solicitud de página o un rastreo acotado |
| Diagnóstico | Ejecución, conexión, página seleccionada, resultado en la interfaz y finalización | Estado de tarea, fallos por página, integridad, esquema y contenido |
| Al escalar | Concurrencia, tiempos de espera, estado de la aplicación y tráfico del proxy | Alcance de URLs, programación, calidad por página y gestión de resultados |
Los dos enfoques permiten obtener capturas. Para una URL pública autorizada, puedes solicitar una salida de captura compatible con Crawl. Para demostrar el estado posterior a una secuencia aprobada de acciones, captura desde el navegador que ejecuta esa secuencia. Decide qué estado necesitas comprobar y quién conservará el archivo. La guía de páginas de Playwright y el flujo de capturas de Playwright muestran el control que tienes dentro de la sesión.
¿Cómo encaja cada producto de Nstdata en el flujo de trabajo?
Nstdata Cloud Browser ofrece navegadores gestionados para automatización y agentes de IA. Nstdata Crawl es una API de rastreo web que entrega datos preparados para LLM. El navegador proporciona un entorno de interacción. Crawl descubre páginas aptas a partir de una URL inicial y sigue enlaces permitidos de forma recursiva dentro del alcance configurado. Puede renderizar JavaScript cuando hace falta y entregar los archivos documentados a la aplicación. Tu aplicación define qué contenido acepta y cómo mide su calidad. Documentación de Nstdata Crawl
- Ejecución con estado. Conecta automatizaciones autorizadas a Cloud Browser mediante CDP o deja que un operador use Live View. El script debe identificar la página correcta y comprobar el resultado de la tarea.
- Descubrimiento y renderizado. Crawl admite el descubrimiento de páginas y la recopilación recursiva. Limita los hosts, rutas, profundidad y número de páginas según la autorización del sitio y los campos de la API vigente. Solicita renderizado si al marcado inicial le falta contenido indispensable.
- Selección de formatos. La documentación de Crawl enumera Markdown, HTML, Raw Data, Links, Screenshot y PDF. Los resultados grandes pueden entregarse mediante referencias de almacenamiento. Elige formatos útiles para el consumidor y fija un plazo de conservación para los archivos adicionales.
- Proxy integrado. Ambos servicios admiten enrutamiento mediante proxy integrado. Con la configuración integrada documentada, puedes prescindir de una puerta de enlace adicional. Verifica por separado los permisos en la aplicación y en el sitio de destino.
¿Cómo se combinan los dos productos en una canalización de datos para IA?
Conecta los trabajos mediante una URL permitida y un registro de tarea. Conserva las credenciales de sesión en el proceso que maneja la interacción. Asigna al navegador y al rastreador responsabilidades distintas y registra por separado el resultado de cada uno.
Paso 1. Identifica un resultado público autorizado
Recorre el flujo en un CMS de preproducción autorizado con una cuenta de pruebas. Define qué elemento se entregará a la siguiente etapa, por ejemplo, la URL de producción de una nota de versión que ya sea pública. Para las acciones que modifican la aplicación, usa un procedimiento autorizado. En el registro de traspaso, conserva la URL validada, el identificador del despliegue y la revisión del contenido si es necesaria.
Paso 2. Valida la URL antes de encolar
Exige HTTPS y un origen conocido de documentación pública. Normaliza la URL según las reglas canónicas del sitio. Comprueba el prefijo de ruta permitido antes de añadirla a la cola. Un panel privado, una descarga firmada o una URL con un token de cuenta exige un procedimiento de ingestión autorizado por separado. Valida también los destinos de redirección y los límites del descubrimiento.
Paso 3. Envía una solicitud pequeña a Crawl
Selecciona una página pública conocida y solicita Markdown. Si necesitas rastrear el sitio, empieza con unas pocas URLs bajo una ruta de documentación habilitada. Consulta la referencia vigente para configurar los campos y leer el estado de la tarea. Guarda su identificador para poder consultarla después de una interrupción. Si el contenido viene por referencia, recupera el archivo correspondiente. Amplía el alcance cuando la muestra supere la revisión.
Paso 4. Aplica el criterio de aceptación de la aplicación
Comprueba el origen canónico, el idioma, el tipo de documento, el encabezado previsto y que haya suficiente texto útil. Guarda una versión o un hash para detectar duplicados y conserva la URL para citar la fuente. Registra de manera independiente el estado de adquisición y la aceptación del contenido. Una solicitud completada puede devolver contenido que quede fuera de los criterios del índice.
Este ejemplo autónomo en Node.js valida un registro normalizado de ingestión. Una vez recuperado el contenido en línea o por referencia, transforma los campos reales de Crawl al esquema de tu aplicación. El registro incluido es sintético y utiliza el dominio reservado Example Domain. Ejecuta node accept-document.mjs.
import assert from 'node:assert/strict'; import { createHash } from 'node:crypto'; const record = { canonicalUrl: 'https://example.com/docs/releases/42', markdown: '# Release 42\n\nThe staging release changes the approved report filter.', finished: true, }; const url = new URL(record.canonicalUrl); assert.equal(url.origin, 'https://example.com'); assert(url.pathname.startsWith('/docs/releases/')); assert(!url.search && !url.hash); assert(record.finished && /^# Release \d+\b/m.test(record.markdown)); assert(record.markdown.length >= 40); const contentHash = createHash('sha256').update(record.markdown).digest('hex'); console.log(JSON.stringify({ accepted: true, source: url.href, contentHash }));
Paso 5. Diagnostica los fallos por tipo de tarea
Usa el identificador de sesión si falla una interacción y el identificador de Crawl si falla la obtención del contenido o de un archivo. Permite que el proceso repita la adquisición de solo lectura sin volver a ejecutar una acción interactiva que ya haya cambiado el estado. Cierra el navegador al terminar y verifica el estado final. Consulta la guía del ciclo de vida de las sesiones de Cloud Browser.
¿Cómo se evalúa qué enfoque encaja mejor?
Mide los resultados que acepta el consumidor y los recursos que cuesta producirlos. Para un índice, compara las páginas aceptadas, los duplicados, los fallos de análisis, los archivos referenciados que falten y la actualidad del contenido. Para una prueba de navegador, registra las tareas aceptadas, los errores de selección de página, el tiempo de ejecución y las esperas de intervención humana. Incluye al menos un fallo que puedas reproducir.
Para incorporar texto, compara el Markdown generado con un conjunto pequeño de páginas revisadas antes de añadir todo el sitio. Comprueba que la extracción conserve los ejemplos de código, los encabezados de producto y los enlaces relevantes. En una canalización de recuperación, separa la adquisición, la normalización y la indexación, y guarda el contenido rechazado para revisarlo. Así el modelo recibe evidencias revisadas y la aplicación decide qué cumple sus reglas. Consulta qué significa que los datos estén preparados para LLM y la guía de Playwright sobre aserciones visibles para usuarios.
¿Qué conviene implementar primero?
Implementa un flujo de alcance reducido con un criterio de aceptación concreto antes de añadir otra ruta de ejecución. Para la documentación pública, empieza con la adquisición de contenido desde una URL y comprueba páginas representativas. Para QA interactivo, empieza con una prueba autorizada en un navegador y un punto de control reproducible. Une los dos flujos cuando el traspaso tenga datos bien definidos y se pueda validar de forma independiente.
FAQ
Q: ¿Un sitio con mucho JavaScript requiere una sesión de Cloud Browser?
Depende del resultado que necesitas. Una API de rastreo con controles de renderizado documentados puede servir para recuperar contenido público. Una sesión gestionada conviene cuando el flujo exige seguir interactuando con la página o ceder el control a un operador.
Q: ¿Qué formato conviene para una canalización de recuperación?
Empieza con Markdown si el objetivo es incorporar texto y revisa páginas representativas. Elige HTML si el marcado forma parte de la evidencia y conserva capturas o PDF cuando el flujo los necesite.
Q: ¿Puedo indexar un resultado en cuanto termina el rastreo?
Aplica controles propios de procedencia, pertinencia, integridad y duplicación. Recupera los archivos asociados a referencias de almacenamiento antes de medir su calidad.
Q: ¿Los productos comparten credenciales o un navegador en ejecución?
Sigue la documentación de la API y de autenticación de cada producto. Intercambia una URL o una referencia de tarea autorizada en la capa de aplicación.
Q: ¿Cómo comparo los costes?
Calcula los recursos de navegador por interacción aceptada y el consumo de Crawl por documento aceptado. Incluye la validación, los resultados rechazados y el trabajo de recuperación.





