Entrar Web Humano

Entrar en webs con anti-bot: saltarse TODAS las protecciones

Objetivo: sacar los datos SIEMPRE, cueste lo que cueste. Hay dos vías; usa la que gane. Si el navegador humano se estrella contra el muro, NO te rindas: pasa a proxy residencial (Apify), que es lo que resuelve el caso.

Orden de ataque (probado 13/09/2026, coches.net + mobile.de)

1. Si existe un actor de Apify para ese portal → EMPIEZA POR AHÍ. Es lo más fiable y lo que funcionó cuando Playwright quedó bloqueado por DataDome. El proxy RESIDENTIAL + huella real del actor pasa el muro sin pelear. Ver sección "Proxy residencial (Apify)" abajo — trae los datos estructurados directamente.
2. Si no hay actor (o necesitas sesión logueada / clicar) → navegador humano con Playwright (sección "Técnica humana").
3. Diagnostica solo si vas a insistir con el navegador (IP/VPN, ver abajo).

Regla mental: el navegador humano es para entrar logueado y clicar; Apify es para extraer datos en volumen sin que te bloqueen. Para "dame los coches/pisos/lo que sea" la respuesta casi siempre es Apify primero.

Cuando un portal capa el acceso automático, este es el procedimiento para intentar entrar "como una persona" desde tu máquina, y saber cuándo no se puede y hay que pasar a proxy residencial.

Regla de oro: diagnostica ANTES de insistir

El 90% de los bloqueos no son por "comportamiento", son por reputación de IP o huella del navegador. Antes de escribir mil movimientos de ratón, comprueba la causa:

# ¿Qué IP ve el sitio? ¿IPv4 residencial o IPv6 de datacenter?
curl -4 -s https://ipinfo.io/json | grep -E '"(ip|city|country|org)"'
curl -6 -s https://api64.ipify.org            # si sale una IPv6, MUCHOS anti-bot la marcan
# ¿Hay VPN activa?
ifconfig | grep -E "^(utun|tun|ppp|wg|ipsec)"; scutil --nc list

Caso real (portal Adevinta con DataDome): la IPv4 era residencial limpia, pero Chromium salía por una IPv6 que DataDome trataba como VPN/datacenter → bloqueo con "Estás usando una VPN". La home y la sección general cargaban; solo el listado filtrado profundo se bloqueaba. Muchos operadores domésticos asignan rangos IPv6 que los anti-bot marcan aunque tu IPv4 sea limpia: por eso el forzado de IPv4 (abajo) suele desatascarlo.

Técnica humana (Playwright)

scripts/human_browse.mjs es la plantilla. Claves:

1. Chrome real si existe (channel: 'chrome'), si no el Chromium de Playwright (en este Mac Playwright vive en ~/vimeo-upload/node_modules; ejecuta el script desde ahí o el import 'playwright' falla con MODULE_NOT_FOUND).
2. Perfil persistente (launchPersistentContext('~/.car-scrape-profile', …)): las cookies (incluida la de DataDome, si se gana) se quedan y las visitas siguientes van "calientes". headless: false siempre.
3. Sigilo de huella vía addInitScript: navigator.webdriver=false, languages, plugins, window.chrome, permissions.query, hardwareConcurrency, deviceMemory.
4. Comportamiento humano: humanize() mueve el ratón en pasos con pausas aleatorias y hace micro-scroll durante segundos. UA y Chrome/XXX coherentes con la versión.
5. Navega como persona: primero HOME → acepta cookies → dwell → LUEGO la sección. No hagas goto directo a la URL de listado profunda (es lo que más se marca).
6. Forzar IPv4 cuando la IPv6 esté marcada: --host-resolver-rules=MAP www.coches.net <A_RECORD_IPv4>, MAP coches.net <IPv4> (saca los A records con dig +short A host).

El truco que SÍ suele funcionar en SPAs (Adevinta/coches.net)

La página general (/segunda-mano/) no está bloqueada y su listado carga por XHR a la API interna. En vez de cargar la URL profunda marcada, filtra dentro de la SPA: entra en /segunda-mano/, y con clics humanos abre "Marca y modelo" → Porsche → Cayenne (o escribe en su buscador). Los resultados llegan por XHR sin disparar el interstitial. Es lo más "humano" y lo último a probar antes de rendirse.

Proxy residencial (Apify) — la vía que SIEMPRE pasa el muro

Cuando el muro es IP + JA3/huella TLS (te sale "eres un bot"/"Access denied" pese a IPv4 + perfil caliente + humano), no se salva de forma fiable desde esta máquina. Usa Apify con proxy RESIDENTIAL — resuelve el caso. Actores probados:

• coches.net → blackfalcondata/coches-scraper
• mobile.de → blackfalcondata/mobile-de-scraper
• autoscout24 → blackfalcondata/autoscout24-scraper (agrega 9 países EU, va sin bloqueo)

Vía MCP: mcp__apify__fetch-actor-details (para ver el input schema) → mcp__apify__call-actor (waitSecs 45) → mcp__apify__get-dataset-items (con fields= para proyectar solo lo útil). El proxy residencial ya va incluido; no hace falta configurar proxyConfiguration a mano.

Trucos de filtros aprendidos (13/09/2026, Cayenne Coupé E-Hybrid)

• Filtros estrictos devuelven 0 con falso "SUCCEEDED". El schema acepta bodyType, fuelType, yearMin/Max… pero combinarlos todos suele vaciar el resultado. Un itemCount: 0 NO significa "no hay coches", significa "afiné de más".
• El body/tipo miente. El Cayenne Coupé lo clasifican como SUV "5p", no como "Coupé" → filtrar por bodyType: COUPE da 0. Mejor query de texto libre ("cayenne coupe", "Porsche Cayenne Coupe E-Hybrid") + yearMin/kmMax sueltos, y afina TÚ los resultados en código, no en el filtro del actor.
• mobile.de: make+model estricto puede fallar; query de texto + category:CAR
  • yearMin + mileageMax + sort:price_asc funcionó (33 resultados reales).
• coches.net: make:Porsche + query:"cayenne coupe" + yearMin + kmMax = 50 resultados. El campo year a veces no cuadra con el año del anuncio: reconfirma en la URL/título si el año es crítico.
• Empieza laxo, mira cuántos vuelven, y estrecha. Si vuelve 0, quita el filtro más agresivo (casi siempre bodyType/fuelType) y reintenta.

Reporta con honestidad: "entré como humano hasta donde el anti-bot lo permite; el resto lo saqué por proxy residencial (Apify)".

Ejecutar

cd ~/vimeo-upload && node ~/.claude/skills/entrar-web-humano/scripts/human_browse.mjs
# captura en /tmp/human_coches.png ; ajusta target/selectores por portal

Ver también memoria [[reference_scraping_apify]] y [[reference_chromium_cdp_sesiones]].