Manejo de CAPTCHA para SIG y extracción de datos cartográficos

¿Tu script consulta parcelas o descarga capas geoespaciales y el portal lo frena con un CAPTCHA de imagen? La ruta fiable es corta: descarga la imagen, resuélvela con la API OCR de CaptchaAI y reenvía el formulario en la misma sesión. Casi nunca es un anti-bot moderno, sino un CAPTCHA de texto heredado, resuelto como OCR.

Detrás hay datos valiosos: parcelas, zonificación, zonas de inundación y valores catastrales para el análisis inmobiliario y urbano.

Dónde aparece el CAPTCHA en los portales SIG

Cada portal usa un desafío distinto y lo dispara una acción concreta:

En el ámbito hispanohablante el patrón se repite: la Sede Electrónica del Catastro en España o los visores territoriales de México y Argentina esconden la parcela tras el mismo CAPTCHA heredado. El código vale para todos: solo cambian la URL y los selectores. Respeta los términos de servicio y la protección de datos.

Parámetros OCR para portales cartográficos

Declarar el formato en in.php evita rechazos:

Antes de lanzar búsquedas de parcelas en lote

Lo que funciona con una parcela suele romperse con cientos:

Extractor de datos SIG en Python

Esta clase detecta el CAPTCHA, lo resuelve por OCR y reenvía el formulario con los campos ocultos; bulk_extract espacia las parcelas:

import requests
import base64
import time
import re

class GISDataExtractor:
    def __init__(self, api_key):
        self.api_key = api_key
        self.session = requests.Session()
        self.session.headers.update({
            "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36"
        })

    def lookup_parcel(self, portal_url, parcel_id):
        """Look up parcel data by ID, solving CAPTCHAs as needed."""
        response = self.session.get(
            f"{portal_url}/parcel", params={"id": parcel_id}
        )

        if self._has_image_captcha(response.text):
            captcha_url = self._extract_captcha_url(response.text, portal_url)
            captcha_text = self._solve_captcha(captcha_url)

            # Re-submit with solved CAPTCHA
            response = self.session.post(f"{portal_url}/parcel", data={
                "id": parcel_id,
                "captcha": captcha_text,
                **self._extract_hidden_fields(response.text)
            })

        return self._parse_parcel_data(response.text)

    def search_by_address(self, portal_url, address):
        """Search GIS records by street address."""
        response = self.session.get(
            f"{portal_url}/search", params={"address": address}
        )

        if self._has_image_captcha(response.text):
            captcha_url = self._extract_captcha_url(response.text, portal_url)
            captcha_text = self._solve_captcha(captcha_url)

            response = self.session.post(f"{portal_url}/search", data={
                "address": address,
                "captcha": captcha_text,
                **self._extract_hidden_fields(response.text)
            })

        return self._parse_search_results(response.text)

    def bulk_extract(self, portal_url, parcel_ids, delay=3):
        """Extract data for multiple parcels with rate limiting."""
        results = {}

        for parcel_id in parcel_ids:
            try:
                results[parcel_id] = self.lookup_parcel(portal_url, parcel_id)
            except Exception as e:
                results[parcel_id] = {"error": str(e)}
            time.sleep(delay)

        return results

    def _has_image_captcha(self, html):
        return bool(re.search(
            r'captcha|verification.?image|security.?code',
            html, re.IGNORECASE
        ))

    def _extract_captcha_url(self, html, base_url):
        from bs4 import BeautifulSoup
        from urllib.parse import urljoin
        soup = BeautifulSoup(html, "html.parser")

        img = (
            soup.find("img", attrs={"src": lambda s: s and "captcha" in s.lower()}) or
            soup.find("img", {"id": re.compile(r"captcha", re.I)}) or
            soup.find("img", {"class": re.compile(r"captcha", re.I)})
        )

        if img and img.get("src"):
            return urljoin(base_url, img["src"])
        raise ValueError("CAPTCHA image not found")

    def _solve_captcha(self, captcha_url):
        """Download and solve image CAPTCHA."""
        img_response = self.session.get(captcha_url)
        img_base64 = base64.b64encode(img_response.content).decode("utf-8")

        resp = requests.post("https://ocr.captchaai.com/in.php", data={
            "key": self.api_key,
            "method": "base64",
            "body": img_base64,
            "json": 1
        })
        task_id = resp.json()["request"]

        for _ in range(30):
            time.sleep(3)
            result = requests.get("https://ocr.captchaai.com/res.php", params={
                "key": self.api_key,
                "action": "get",
                "id": task_id,
                "json": 1
            })
            data = result.json()
            if data["status"] == 1:
                return data["request"]

        raise TimeoutError("CAPTCHA solve timed out")

    def _extract_hidden_fields(self, html):
        from bs4 import BeautifulSoup
        soup = BeautifulSoup(html, "html.parser")
        fields = {}
        for inp in soup.select("input[type='hidden']"):
            name = inp.get("name")
            if name:
                fields[name] = inp.get("value", "")
        return fields

    def _parse_parcel_data(self, html):
        from bs4 import BeautifulSoup
        soup = BeautifulSoup(html, "html.parser")

        def text_or_none(node):
            return node.text.strip() if node and node.text else None

        return {
          "parcel_id": text_or_none(soup.select_one(".parcel-id, #parcelId")),
          "owner": text_or_none(soup.select_one(".owner, .owner-name")),
          "address": text_or_none(soup.select_one(".address, .situs")),
          "zoning": text_or_none(soup.select_one(".zoning, .zone-code")),
          "acreage": text_or_none(soup.select_one(".acreage, .area")),
          "assessed_value": text_or_none(soup.select_one(".assessed, .value")),
          "land_use": text_or_none(soup.select_one(".land-use, .use-code"))
        }

    def _parse_search_results(self, html):
        from bs4 import BeautifulSoup
        soup = BeautifulSoup(html, "html.parser")

        def text_or_none(node):
            return node.text.strip() if node and node.text else None

        results = []
        for row in soup.select(".result-row, tr.parcel"):
            results.append({
          "parcel_id": text_or_none(row.select_one(".parcel-id")),
          "address": text_or_none(row.select_one(".address")),
          "owner": text_or_none(row.select_one(".owner"))
            })
        return results


# Usage
extractor = GISDataExtractor("YOUR_API_KEY")

# Single parcel lookup
parcel = extractor.lookup_parcel(
    "https://gis.county.example.gov",
    "12-34-567-890"
)
print(f"Owner: {parcel['owner']}, Zoning: {parcel['zoning']}")

# Bulk extraction
parcels = extractor.bulk_extract(
    "https://gis.county.example.gov",
    ["12-34-567-890", "12-34-567-891", "12-34-567-892"]
)

Extracción por coordenadas con JavaScript

Si el portal responde a coordenadas (lat/lng o un bounds), recorres una malla de puntos con el mismo sondeo por OCR:

class GISExtractor {
  constructor(apiKey) {
    this.apiKey = apiKey;
  }

  async extractByCoordinates(portalUrl, lat, lng) {
    const url = `${portalUrl}/identify?lat=${lat}&lng=${lng}`;
    const response = await fetch(url);
    const html = await response.text();

    if (this.hasCaptcha(html)) {
      return this.solveAndExtract(portalUrl, html, { lat, lng });
    }

    return this.parseGISData(html);
  }

  async extractRegion(portalUrl, bounds, gridSize = 0.01) {
    const results = [];
    const { north, south, east, west } = bounds;

    for (let lat = south; lat <= north; lat += gridSize) {
      for (let lng = west; lng <= east; lng += gridSize) {
        try {
          const data = await this.extractByCoordinates(portalUrl, lat, lng);
          if (data.parcelId) results.push(data);
        } catch (error) {
          console.error(`Failed at ${lat},${lng}: ${error.message}`);
        }
        // Rate limit
        await new Promise(r => setTimeout(r, 2000));
      }
    }

    return results;
  }

  hasCaptcha(html) {
    return /captcha|verification.?image|security.?code/i.test(html);
  }

  async solveAndExtract(portalUrl, html, params) {
    const imgMatch = html.match(/src="([^"]*captcha[^"]*)"/i);
    if (!imgMatch) throw new Error('CAPTCHA image not found');

    const imgUrl = new URL(imgMatch[1], portalUrl).href;
    const imgResp = await fetch(imgUrl);
    const buffer = await imgResp.arrayBuffer();
    const base64 = Buffer.from(buffer).toString('base64');

    const submitResp = await fetch('https://ocr.captchaai.com/in.php', {
      method: 'POST',
      body: new URLSearchParams({
        key: this.apiKey,
        method: 'base64',
        body: base64,
        json: '1'
      })
    });
    const { request: taskId } = await submitResp.json();

    for (let i = 0; i < 30; i++) {
      await new Promise(r => setTimeout(r, 3000));
      const result = await fetch(
        `https://ocr.captchaai.com/res.php?key=${this.apiKey}&action=get&id=${taskId}&json=1`
      );
      const data = await result.json();
      if (data.status === 1) {
        const response = await fetch(portalUrl, {
          method: 'POST',
          body: new URLSearchParams({
            ...params,
            captcha: data.request
          })
        });
        return this.parseGISData(await response.text());
      }
    }
    throw new Error('CAPTCHA solve timed out');
  }

  parseGISData(html) {
    return {
      parcelId: html.match(/parcel.?id[^>]*>([^<]+)/i)?.[1]?.trim(),
      zoning: html.match(/zon(?:e|ing)[^>]*>([^<]+)/i)?.[1]?.trim(),
      acreage: html.match(/acreage|area[^>]*>([^<]+)/i)?.[1]?.trim(),
      landUse: html.match(/land.?use[^>]*>([^<]+)/i)?.[1]?.trim()
    };
  }
}

// Usage
const gis = new GISExtractor('YOUR_API_KEY');

// Single coordinate lookup
const data = await gis.extractByCoordinates(
  'https://gis.county.example.gov',
  34.0522, -118.2437
);

// Extract entire region
const region = await gis.extractRegion('https://gis.county.example.gov', {
  north: 34.10, south: 34.00, east: -118.20, west: -118.30
});

Errores frecuentes y cómo resolverlos

La mayoría de los fallos son de sesión o campos ocultos, no de OCR:

Preguntas frecuentes

¿Funciona con el Catastro o con una sede electrónica pública?

Sí, siempre que el portal use CAPTCHA de imagen, OCR o reCAPTCHA v2, los tres compatibles con CaptchaAI. Ajusta la URL y los selectores a cada sede y revisa sus términos de uso antes de automatizar.

¿Qué plan necesito para extraer una provincia entera?

Depende de la concurrencia, no del total de parcelas. Para volúmenes bajos basta BASIC ($15/mes, 5 threads); para lotes con varios workers en paralelo, STANDARD ($30/mes, 15 threads) o ADVANCE ($90/mes, 50 threads). Todos incluyen resoluciones ilimitadas por thread.

¿Cómo describo un CAPTCHA matemático o con formato especial?

Usa textinstructions para indicarle al motor qué esperas, por ejemplo "5 letras mayúsculas" o "resuelve la ecuación". Con ese CAPTCHA resuelto también accedes a descargas de shapefiles o GeoJSON en la misma sesión.

Siguientes pasos

• Crea tu cuenta y obtén tu clave API de CaptchaAI
• Inicio rápido de CaptchaAI: tu primera resolución de CAPTCHA en 5 minutos
• Resolver reCAPTCHA v2 con la API paso a paso
• Resolver Cloudflare Turnstile con la API
• Resolver GeeTest v3 con la API