Las plataformas inmobiliarias están fuertemente protegidas contra la recopilación automatizada de datos. CaptchaAI le ayuda a mantener un acceso confiable a listados de propiedades, datos de precios y análisis de mercado.
Protecciones CAPTCHA en sitios inmobiliarios
| Tipo de plataforma | Protección | Tipo CAPTCHA |
|---|---|---|
| Agregadores de la MLS | Cloudflare Challenge | Desafío completo + proxy |
| Portales tipo Zillow | reCAPTCHA v3 | Invisible, conductual |
| Directorios de agentes inmobiliarios | reCAPTCHA v2 | Casilla de verificación o invisible |
| Registros de impuestos a la propiedad | CAPTCHA de imagen | Reconocimiento de texto |
| Sitios de subasta | Cloudflare Turnstile | Desafío de widgets |
| Listados comerciales | reCAPTCHA v2 Enterprise | Verificación mejorada |
Recolector de datos de propiedad
import requests
import time
import re
import json
import csv
import os
from datetime import datetime
API_KEY = os.environ["CAPTCHAAI_API_KEY"]
def solve_captcha(params):
params["key"] = API_KEY
resp = requests.get("https://ocr.captchaai.com/in.php", params=params)
if not resp.text.startswith("OK|"):
raise Exception(f"Submit: {resp.text}")
task_id = resp.text.split("|")[1]
for _ in range(60):
time.sleep(5)
result = requests.get("https://ocr.captchaai.com/res.php", params={
"key": API_KEY, "action": "get", "id": task_id,
})
if result.text == "CAPCHA_NOT_READY":
continue
if result.text.startswith("OK|"):
return result.text.split("|", 1)[1]
raise Exception(f"Solve: {result.text}")
raise TimeoutError()
class PropertyCollector:
def __init__(self):
self.session = requests.Session()
self.session.headers["User-Agent"] = (
"Mozilla/5.0 (Windows NT 10.0; Win64; x64) "
"AppleWebKit/537.36 Chrome/120.0.0.0"
)
def fetch(self, url):
"""Fetch page with automatic CAPTCHA handling."""
resp = self.session.get(url)
# reCAPTCHA
match = re.search(
r'data-sitekey=["\']([A-Za-z0-9_-]+)["\']', resp.text
)
if match:
# Detect v3
is_v3 = "recaptcha/api.js?render=" in resp.text
params = {
"method": "userrecaptcha",
"googlekey": match.group(1),
"pageurl": url,
}
if is_v3:
params["version"] = "v3"
params["action"] = "search"
token = solve_captcha(params)
resp = self.session.post(url, data={
"g-recaptcha-response": token,
})
# Turnstile
if "cf-turnstile" in resp.text:
match = re.search(r'data-sitekey=["\']([^"\']+)', resp.text)
if match:
token = solve_captcha({
"method": "turnstile",
"sitekey": match.group(1),
"pageurl": url,
})
resp = self.session.post(url, data={
"cf-turnstile-response": token,
})
return resp.text
def collect_listings(self, urls):
"""Collect property listings from multiple pages."""
listings = []
for url in urls:
try:
html = self.fetch(url)
page_listings = self._parse_listings(html)
listings.extend(page_listings)
print(f" {len(page_listings)} listings from {url}")
time.sleep(3)
except Exception as e:
print(f" Error: {url} - {e}")
return listings
def _parse_listings(self, html):
"""Extract property data from HTML."""
listings = []
# Price extraction
prices = re.findall(r'\$\s*([\d,]+)', html)
# Address extraction
addresses = re.findall(
r'class="address"[^>]*>(.*?)</(?:div|span|p)', html
)
# Bed/Bath extraction
beds = re.findall(r'(\d+)\s*(?:bed|br|bedroom)', html, re.I)
baths = re.findall(r'(\d+)\s*(?:bath|ba|bathroom)', html, re.I)
# Sqft extraction
sqft = re.findall(r'([\d,]+)\s*(?:sq\s*ft|sqft)', html, re.I)
# Combine available data
count = max(len(prices), len(addresses), 1)
for i in range(min(count, 50)): # Cap at 50 per page
listing = {
"price": prices[i] if i < len(prices) else None,
"address": (
addresses[i].strip() if i < len(addresses) else None
),
"beds": beds[i] if i < len(beds) else None,
"baths": baths[i] if i < len(baths) else None,
"sqft": sqft[i] if i < len(sqft) else None,
"collected_at": datetime.utcnow().isoformat(),
}
if listing["price"] or listing["address"]:
listings.append(listing)
return listings
def export_csv(self, listings, filename):
if not listings:
print("No listings to export")
return
keys = ["price", "address", "beds", "baths", "sqft", "collected_at"]
with open(filename, "w", newline="", encoding="utf-8") as f:
writer = csv.DictWriter(f, fieldnames=keys)
writer.writeheader()
writer.writerows(listings)
print(f"Exported {len(listings)} listings to {filename}")
# Usage
collector = PropertyCollector()
search_urls = [
"https://example-realty.com/search?city=austin&type=sale&page=1",
"https://example-realty.com/search?city=austin&type=sale&page=2",
"https://example-realty.com/search?city=austin&type=sale&page=3",
]
listings = collector.collect_listings(search_urls)
collector.export_csv(listings, "austin_listings.csv")
Puntos de datos para recopilar
| campo | Fuente | Caso de uso |
|---|---|---|
| Precio de cotización | página de propiedades | Valoración de mercado |
| Dirección | página de propiedades | Geoanálisis |
| Camas/Baths/Sqft | Detalles de la propiedad | Análisis comparable |
| Días en el mercado | Listado de metadatos | Velocidad del mercado |
| Historial de precios | Registro de cambios de precio | Análisis de tendencias |
| Impuesto a la propiedad | Registros de impuestos | Análisis de inversiones |
| tarifas de asociación de propietarios | Detalles del listado | Análisis de costos |
Flujo de trabajo de análisis de mercado
Daily Collection
→ Property listings (500-1000 per market)
→ Price changes (delta from previous day)
→ New listings vs delisted
Weekly Analysis
→ Median price trends
→ Inventory levels
→ Days-on-market averages
→ Price-per-sqft by neighborhood
Monthly Report
→ Market heat map
→ Competitive pricing analysis
→ Investment opportunity scoring
Preguntas frecuentes
¿Es legal extraer datos inmobiliarios?
Los datos de listados públicos generalmente se pueden eliminar. Evite recopilar información personal sobre vendedores o agentes. Cumpla siempre con los términos de servicio del sitio.
¿Cómo manejo la paginación?
Incrementa el parámetro de página en tus URL. La mayoría de los sitios inmobiliarios utilizan patrones ?page=N o &offset=N.
¿Qué tipo de CAPTCHA es más difícil en los sitios inmobiliarios?
Cloudflare Challenge en agregadores MLS es el más complejo: requiere parámetros de proxy. reCAPTCHA v3 en los principales portales es común, pero CaptchaAI lo resuelve de manera confiable.
Guías relacionadas
- Monitoreo de precios de comercio electrónico
- Mejores prácticas de configuración de proxy
- Raspado de sitios web protegidos