Cómo extraer los precios de Amazon sin que le bloqueen el acceso

Sí, puede extraer los precios de Amazon de las páginas públicas de productos, y la forma más fiable de hacerlo es enviar solicitudes desde direcciones IP residenciales del país del comprador, espaciar dichas solicitudes y extraer el precio y la «Buy Box» de la página generada. Lo difícil no es leer el número en la página, sino evitar que le bloqueen el acceso el tiempo suficiente para poder leerlo en las siguientes mil páginas. Amazon considera el tráfico automatizado agresivo como una amenaza, por lo que un rastreador poco sofisticado acaba siendo ralentizado, se le muestra un CAPTCHA o se le bloquea la IP tras unos pocos cientos de solicitudes.

Esta guía explica por qué resulta complicado extraer datos de Amazon, un enfoque que da buenos resultados a gran escala, un breve esbozo de código y los límites legales que conviene respetar. Además, aborda en qué casos conviene prescindir por completo de la extracción de datos y recurrir a la API oficial de Amazon.

Puntos clave

• La extracción de precios de Amazon es factible en las páginas públicas, pero la limitación de solicitudes y la calidad de la dirección IP determinan si se mantiene el acceso sin restricciones.
• Las direcciones IP de los centros de datos se marcan rápidamente; las direcciones IP residenciales del país de destino ven el precio real adaptado al mercado local y el botón «Comprar».
• El ganador de la «buy-box», el precio y la disponibilidad varían según la zona geográfica, por lo que las consultas con segmentación geográfica son fundamentales para garantizar la precisión.
• Los elementos de precios generados (cargados mediante JavaScript) suelen requerir una etapa de renderización «headless», y no solo un análisis sintáctico del HTML sin procesar.
• Para las necesidades relacionadas con los catálogos, la API oficial de Product Advertising es la opción más adecuada; el scraping sirve para cubrir las lagunas que esta deja.

¿Es legal y factible la extracción de precios de Amazon?

Las páginas públicas de listados de productos no requieren iniciar sesión, y el precio que allí se muestra es información pública. Leer esos datos con un cliente automatizado es, técnicamente, sencillo. Lo que lo complica desde el punto de vista operativo es que Amazon se defiende activamente contra los bots, y el tráfico automatizado constituye ahora la mayor parte del tráfico que recibe cualquier sitio web de gran envergadura. El informe «2025 Imperva Bad Bot Report» (Imperva, «2025 Bad Bot Report») reveló que el tráfico automatizado superó a la actividad humana por primera vez en una década, alcanzando el 51 % de todo el tráfico web, de los cuales los bots maliciosos representaban el 37 %. Los sitios web del tamaño de Amazon realizan importantes inversiones para distinguir a esos bots de los compradores.

Por lo tanto, la pregunta no es «¿puedo analizar el precio?», sino «¿puedo seguir analizándolo en miles de productos sin que se interrumpa el proceso?». El resto de esta guía trata sobre esa segunda pregunta. Para conocer los mecanismos a nivel de lenguaje relacionados con la obtención y el análisis de datos, consulte la guía complementaria sobre cómo Extraer precios con Python.

Por qué resulta difícil extraer datos de Amazon

Se acumulan varias defensas a la vez.

Limitación de la tasa. Si envía demasiadas solicitudes desde una misma dirección IP en un plazo demasiado breve, Amazon ralentizará o bloqueará sus respuestas. El umbral no se ha hecho público y varía, por lo que un rastreador que funcionaba ayer puede activarlo hoy.

CAPTCHAs. Cuando el tráfico parece automatizado, Amazon muestra una página de verificación en lugar del producto. Su analizador lee entonces un CAPTCHA, en lugar de un precio, y registra datos sin sentido de forma silenciosa, a menos que usted detecte el cambio.

Las solicitudes sospechosas repetidas procedentes de una misma dirección también provocan que dicha dirección sea bloqueada de forma definitiva. Los rangos de IP de los centros de datos son fáciles de identificar y suelen estar marcados de antemano, por lo que un rastreador que se ejecute desde una máquina virtual en la nube suele fallar desde el principio. En la práctica, las direcciones IP de los centros de datos suelen provocar la aparición de un CAPTCHA o un bloqueo total mucho antes de lo que ocurre con las sesiones residenciales geolocalizadas en las páginas de productos de Amazon.

La geografía añade otra complicación. El precio y el ganador de la «buy-box» no son fijos: varían en función del país del comprador —a veces, incluso de la ciudad— y con el paso del tiempo. Una solicitud realizada desde una ubicación incorrecta devuelve un precio que ningún cliente real de su mercado objetivo vería, lo que distorsiona silenciosamente su conjunto de datos.

Contenido dinámico. Algunas partes de la página, incluidos algunos elementos relacionados con los precios y la disponibilidad, se cargan mediante JavaScript después del HTML inicial. Una consulta de HTML sin procesar puede devolver una estructura sin ningún precio.

Un enfoque que se mantiene a gran escala

El objetivo es simular el tráfico habitual de los compradores y visualizar la página tal y como la vería realmente un comprador.

Modere sus solicitudes

No sobrecargue el sitio web. Introduzca intervalos entre las solicitudes, aleatorícelas y limite la concurrencia. Un ritmo constante, similar al de un usuario humano, es la defensa más económica contra la limitación de tasa y los CAPTCHA. Si necesita una gran cantidad de datos, distribúyalos a lo largo del tiempo en lugar de enviarlos de forma masiva.

Enrutar el tráfico a través de proxies residenciales en el país de destino

Aquí es donde la mayoría de los rastreadores tienen éxito o fracasan. Las direcciones IP residenciales pertenecen a conexiones de consumidores reales, por lo que las solicitudes procedentes de ellas parecen proceder de compradores habituales, en lugar de tráfico de centros de datos. El enrutamiento a través de direcciones IP residenciales del país en el que se está determinando el precio también devuelve el precio, la moneda y la «buy-box» localizados correctamente. Las sesiones rotativas distribuyen las solicitudes entre numerosas direcciones, de modo que ninguna IP concreta acumule una tasa de solicitudes sospechosa, mientras que una sesión persistente mantiene la misma IP durante un flujo breve de varios pasos (por ejemplo, cargar una página de producto y, a continuación, una variante relacionada) cuando la continuidad es importante.

La red de proxies residenciales de Massive abarca más de 195 países y ofrece segmentación geográfica por país y ciudad a través de HTTP, HTTPS y SOCKS5, con sesiones rotativas o fijas, lo que responde directamente a estas dos necesidades: precisión localizada y distribución de las solicitudes.

Gestionar la página generada

Dado que los elementos de fijación de precios pueden cargarse mediante JavaScript, prevea una etapa de renderizado. Una opción es un navegador sin interfaz gráfica que usted mismo ejecute. La otra es un servicio de renderizado que cargue la página y le devuelva el contenido finalizado, a ser posible en formato Markdown limpio, para que dedique menos tiempo a lidiar con selectores HTML inestables. La Web Render API de Massive incluye un punto final de navegación que devuelve las páginas renderizadas en formato Markdown, lo que elimina de un solo paso tanto el mantenimiento del navegador sin interfaz gráfica como la sobrecarga que supone el análisis sintáctico del HTML.

Si desea pasar directamente de una URL a Markdown para sus propios agentes de IA, puede omitir por completo la capa de análisis: llame directamente a la Web Render API de Massive o configure el MCP Server de Massive para que un agente recupere por sí mismo la página renderizada y formateada en Markdown, y analice la línea de precios en su contexto.

Analice el precio y la «buy-box»

Sea cual sea el método de recuperación que utilice, aísle el precio y la disponibilidad de la «buy-box» en lugar de la primera cifra en dólares que aparezca en la página. Las páginas de Amazon contienen muchos precios (precio de catálogo, otros vendedores, artículos relacionados), por lo que debe centrarse específicamente en el bloque de la «Buy Box». Verifique cada valor: un precio nulo, igual a cero o muy desviado suele ser señal de que se ha encontrado un CAPTCHA o una representación vacía, y no de una bajada real del precio.

Un esbozo conciso de código

El siguiente esquema muestra el funcionamiento de un rastreador discreto que utiliza un proxy. Este recupera una página renderizada a través de un proxy residencial y, a continuación, extrae el precio de la «buy-box».

import os, time, random, requests
from bs4 import BeautifulSoup

# Proxy residencial Massive: las credenciales se introducen en la URL en el formato usuario:contraseña.
_proxy = (
f"https://{os.environ['MASSIVE_PROXY_USERNAME']}:"
f"{os.environ['MASSIVE_API_KEY']}@network.joinmassive.com:65535"
)
PROXY = {"http": _proxy, "https": _proxy}
HEADERS = {"User-Agent": "Mozilla/5.0 (...)", "Accept-Language": "en-US,en"}

def get_price(asin, country="us"):
url = f"https://www.amazon.com/dp/{asin}"
resp = requests.get(url, headers=HEADERS, proxies=PROXY, timeout=30)

if "captcha" in resp.text.lower() or resp.status_code != 200:
return None # se ha solicitado un captcha o se ha bloqueado; reintente más tarde con una nueva dirección IP

soup = BeautifulSoup(resp.text, "html.parser")
el = soup.select_one("#corePrice_feature_div .a-offscreen")
si no existe el:
devuelve None # el precio se muestra mediante JS o se ha modificado el diseño
devuelve el.get_text(strip=True)

for asin in ["B0XXXXX1", "B0XXXXX2"]:
price = get_price(asin)
print(asin, price)
time.sleep(random.uniform(2, 6)) # ritmo aleatorio, similar al de un ser humano

Este código es deliberadamente minimalista. Un rastreador de producción incorpora reintentos con retardo, detección de CAPTCHA que redirige a una IP nueva, un paso de renderización para los precios cargados mediante JavaScript y una validación antes de almacenar cualquier dato. Para convertir esto en un servicio programado y supervisado, consulte cómo crear un sistema de monitoreo de precios.

Mantenerse dentro de los límites

Extraiga únicamente información de las páginas públicas. No inicie sesión, no eluda la autenticación y no recopile datos personales. El precio, el título y la disponibilidad que figuran en un anuncio público no constituyen información de carácter personal. Respete las condiciones establecidas por el sitio web y su robots.txt, limite su tráfico para no perjudicar el servicio que reciben los demás, y mantenga su recopilación específica y adaptada a un fin concreto, en lugar de extraer toda la información a la que pueda acceder. Las condiciones de Amazon restringen el acceso automatizado, por lo que debe considerar el rastreo como una herramienta para el monitoreo de precios públicos con una frecuencia razonable, y no para copiar catálogos al por mayor. La legislación al respecto varía según la jurisdicción y está en constante evolución, por lo que, si opera a gran escala o con fines comerciales, consulte con un abogado para que revise su uso específico.

Cuándo es preferible utilizar la API oficial

Amazon ofrece la API de publicidad de productos (PA-API) 5.0, que proporciona precios y datos de productos a través de una interfaz compatible. Si se ajusta a sus necesidades, es la opción más sencilla: sin CAPTCHAs, sin bloqueos de IP y sin necesidad de mantenimiento de renderización.

El problema radica en el acceso y el rendimiento. La PA-API requiere una cuenta de Associates activa vinculada a las ventas, y las nuevas credenciales parten de un límite máximo muy ajustado. La documentación para desarrolladores de Amazon (Amazon, «Product Advertising API 5.0: API Rates», 2026) establece que las credenciales nuevas están limitadas a una solicitud por segundo y a 8.640 solicitudes al día durante los primeros 30 días, y que estos límites solo aumentan a medida que se generan ingresos por referencias. Si se supera ese límite, se le aplicará un 429 Demasiadas solicitudes error.

Una regla práctica:

• Utilice PA-API Si dispone de una cuenta de Associates que cumpla los requisitos, su volumen se ajusta al rendimiento y los campos que necesita figuran en la respuesta.
• Raspar cuando no dispone de acceso a la API, necesita datos que la API no facilita (como determinadas vistas de la «buy-box» o específicas de una zona geográfica) o necesita conocer el precio tal y como lo ve un comprador en un país concreto.

Muchos equipos utilizan ambas opciones: la API para lo que cubre de forma clara y el scraping para cubrir las lagunas. Este mismo razonamiento de «crear o comprar» se aplica en monitoreo de precios al por menor y la práctica más amplia de monitoreo de precios de la competencia.

Fuentes

• Imperva. «Informe sobre bots maliciosos de 2025». 2025. https://www.imperva.com/resources/resource-library/reports/2025-bad-bot-report/ (consultado el 15 de junio de 2026)
• Amazon. «API de publicidad de productos 5.0: Límites de la API». 2026. https://webservices.amazon.com/paapi5/documentation/troubleshooting/api-rates.html (consultado el 15 de junio de 2026)

La precisión de los precios depende de que se vea la página tal y como la ve un comprador real. La red de proxies residenciales de Massive Ofrece direcciones IP residenciales geolocalizadas en más de 195 países, con sesiones rotativas o fijas, además de una Web Render API que devuelve las páginas renderizadas en formato Markdown limpio, para que pueda supervisar los precios de Amazon en la ubicación y con la frecuencia que requiera su caso de uso.