Si extraes precios o stock de Amazon, tarde o temprano tu scraper recibirá una imagen de texto distorsionado en lugar de la página del producto: es el CAPTCHA de imagen de Amazon. Para no frenar el pipeline, el flujo se reduce a tres pasos:
- Detectar la página de CAPTCHA dentro de la respuesta HTML.
- Resolver la imagen con la resolución OCR de CaptchaAI (
method=base64). - Reenviar el formulario en la misma sesión y seguir extrayendo datos.
Qué necesitas antes de empezar
| Requisito | Detalles |
|---|---|
| Clave API de CaptchaAI | Desde captchaai.com |
| Python 3.7+ | Con requests y beautifulsoup4 |
| Proxies con buena reputación | Recomendados para scraping sostenido |
Con la clave API y las dependencias instaladas, solo queda entender cuándo salta el CAPTCHA y automatizar su resolución.
Cuándo aparece el CAPTCHA de Amazon
Amazon no muestra el CAPTCHA al azar: lo activa cuando tu tráfico se parece al de un bot. Estas son las señales que más pesan:
| Señal | Descripción |
|---|---|
| Volumen de solicitudes | Demasiadas solicitudes desde una misma IP en poco tiempo |
| Cookies ausentes | Sin cookies de sesión de Amazon |
| Encabezados sospechosos | User-Agent tipo bot o encabezados incompletos |
| Reputación de la IP | Rangos de IP de proxies o centros de datos conocidos |
Cuando alguna se dispara, Amazon te redirige a una página con una imagen de texto distorsionado y un campo de entrada; para continuar, tienes que leer la imagen y enviar el texto correcto.
Resolver el CAPTCHA de imagen de Amazon paso a paso
Paso 1: detectar la página de CAPTCHA
Distingue un producto de un muro de CAPTCHA con una comprobación sobre el HTML:
import requests
from bs4 import BeautifulSoup
session = requests.Session()
session.headers.update({
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36",
"Accept-Language": "en-US,en;q=0.9",
"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8"
})
def is_captcha_page(html):
return "Type the characters you see in this image" in html or \
"captcha" in html.lower()
url = "https://www.amazon.com/dp/B0EXAMPLE"
resp = session.get(url)
if is_captcha_page(resp.text):
print("CAPTCHA detected!")
else:
print("Page loaded successfully")
Paso 2: extraer y resolver la imagen
Codificas la imagen en base64, la envías al endpoint in.php y consultas el resultado en res.php hasta que esté listo:
import base64
API_KEY = "YOUR_API_KEY"
def solve_amazon_captcha(session, captcha_page_html, captcha_page_url):
soup = BeautifulSoup(captcha_page_html, "html.parser")
# Find the CAPTCHA image
img_tag = soup.find("img", src=lambda s: s and "captcha" in s.lower())
if not img_tag:
raise Exception("CAPTCHA image not found")
img_url = img_tag["src"]
# Download the image
img_resp = session.get(img_url)
img_base64 = base64.b64encode(img_resp.content).decode()
# Submit to CaptchaAI
submit_resp = requests.get("https://ocr.captchaai.com/in.php", params={
"key": API_KEY,
"method": "base64",
"body": img_base64
})
task_id = submit_resp.text.split("|")[1]
# Poll for result
import time
for _ in range(30):
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]
raise Exception(f"Solve error: {result.text}")
raise TimeoutError("Solve timed out")
Paso 3: enviar la solución
Con el texto resuelto, reconstruyes el formulario y haces POST en la misma sesión para conservar las cookies:
def submit_captcha_solution(session, captcha_page_html, solution, captcha_page_url):
soup = BeautifulSoup(captcha_page_html, "html.parser")
form = soup.find("form")
# Build form data
form_data = {}
for inp in form.find_all("input"):
name = inp.get("name")
if name:
form_data[name] = inp.get("value", "")
# Set the CAPTCHA answer
form_data["field-keywords"] = solution
# Submit
action = form.get("action", captcha_page_url)
if action.startswith("/"):
from urllib.parse import urljoin
action = urljoin(captcha_page_url, action)
resp = session.post(action, data=form_data)
return resp
Ejemplo completo de scraping con manejo de CAPTCHA
Las tres piezas juntas, de punta a punta: el código pide la página, resuelve el CAPTCHA cuando aparece y devuelve el título y el precio del producto.
import requests
import base64
import time
from bs4 import BeautifulSoup
API_KEY = "YOUR_API_KEY"
def scrape_amazon_product(url):
session = requests.Session()
session.headers.update({
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36",
"Accept-Language": "en-US,en;q=0.9"
})
resp = session.get(url)
# Handle CAPTCHA if present
if "captcha" in resp.text.lower():
soup = BeautifulSoup(resp.text, "html.parser")
img = soup.find("img", src=lambda s: s and "captcha" in s.lower())
if img:
# Download and solve
img_data = session.get(img["src"]).content
img_b64 = base64.b64encode(img_data).decode()
submit = requests.get("https://ocr.captchaai.com/in.php", params={
"key": API_KEY, "method": "base64", "body": img_b64
})
task_id = submit.text.split("|")[1]
for _ in range(30):
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|"):
solution = result.text.split("|")[1]
break
# Submit solution
form = soup.find("form")
form_data = {inp.get("name"): inp.get("value", "")
for inp in form.find_all("input") if inp.get("name")}
form_data["field-keywords"] = solution
action = form.get("action", url)
resp = session.post(action, data=form_data)
# Parse product data
soup = BeautifulSoup(resp.text, "html.parser")
title = soup.find("span", {"id": "productTitle"})
price = soup.find("span", class_="a-price-whole")
return {
"title": title.text.strip() if title else None,
"price": price.text.strip() if price else None
}
product = scrape_amazon_product("https://www.amazon.com/dp/B0EXAMPLE")
print(product)
Buenas prácticas para hacer scraping de Amazon
- Usa proxies con buena reputación: Amazon bloquea de forma agresiva las IP de centros de datos.
- Rota los User-Agent: usa cadenas de navegador realistas.
- Conserva la sesión: reutiliza las cookies entre solicitudes.
- Añade pausas: de 3 a 10 segundos entre solicitudes.
- Envía Accept-Language: incluye los encabezados de idioma y región.
- No hagas scraping con sesión iniciada: las páginas de producto son accesibles sin login.
Errores frecuentes y cómo resolverlos
La mayoría de los bloqueos se evitan con disciplina de ritmo: mantén una sola sesión por hilo, reutiliza sus cookies y deja pausas variables entre solicitudes. Cuando aun así aparece el CAPTCHA, esta tabla cubre los tropiezos más comunes.
| Problema | Solución |
|---|---|
| CAPTCHA en cada solicitud | Usa proxies con buena reputación; baja la frecuencia de solicitudes |
| Solución de CAPTCHA rechazada | Verifica que la imagen se descargó bien; reintenta |
| Bucles de redirección | Revisa el manejo de cookies; usa allow_redirects=True |
| Datos de producto vacíos | Amazon puede servir diseños distintos; revisa tus selectores |
Escenario: monitoreo de precios para una agencia
Una agencia de Ciudad de México vigila precios de vendedores en Amazon para sus clientes: factura en pesos pero paga sus herramientas en USD, así que le conviene un costo mensual predecible frente al pago por resolución. Con un plan como BASIC ($15/mes, 5 threads) resuelve los CAPTCHA sin pagar por cada imagen y escala threads cuando suma tiendas.
Preguntas frecuentes
¿Puedo resolver el CAPTCHA de imagen de Amazon sin abrir un navegador?
Sí. Todo el flujo funciona con requests y la API OCR (method=base64): descargas la imagen y envías el texto resuelto al formulario, sin Selenium ni Puppeteer.
¿Con qué plan de CaptchaAI conviene empezar para monitorear precios?
Depende de tu volumen. BASIC ($15/mes, 5 threads) cubre un scraper pequeño con resoluciones ilimitadas por thread; sube de plan si corres varias tiendas en paralelo.
¿Por qué me aparece un CAPTCHA en casi todas las solicitudes?
Suele ser reputación de la IP o falta de cookies de sesión. Reduce la frecuencia, reutiliza la sesión con sus cookies y mejora tus proxies.
¿Es legal hacer scraping de Amazon?
Extraer datos de productos públicos suele ser legal, pero revisa los términos de servicio de Amazon y la normativa de protección de datos de tu jurisdicción.
