Qué es
Anansi es un extractor web en Python con un servidor MCP. Combina solicitudes, navegación cuando hace falta y mecanismos para recuperar selectores que han dejado de localizar los datos.
Para qué te sirve
- Cuando una página cambia su estructura y tu extracción habitual deja de encontrar un campo.
- Cuando el contenido solo aparece tras ejecutar JavaScript.
- Cuando necesitas validar cada elemento extraído antes de guardarlo.
Cómo funciona
Los selectores mantienen puntuaciones de confianza y el sistema guarda reparaciones. Las respuestas se inspeccionan para decidir si necesitan renderizado con navegador. Los modelos Pydantic pueden validar la salida y las señales HTTP ayudan a evitar volver a descargar páginas sin cambios.
El servidor MCP expone herramientas de consulta, extracción y rastreo. Eso deja al agente dirigir el trabajo, pero sigue siendo necesario delimitar sitios, volumen y datos que se van a recoger.
Antes de empezar
Necesitas Python 3.11 o posterior. La navegación requiere instalar el navegador de Playwright; existen extras para otras capacidades. El servidor MCP necesita un cliente que pueda ejecutarlo y acceder a las páginas de destino.
Límites y alternativas
Una reparación automática puede elegir un campo equivocado aunque devuelva un valor válido. Comprueba muestras y conserva la URL de origen. Las funciones de manejo de detección de bots no garantizan acceso ni sustituyen las condiciones del sitio. Para una API estable es preferible consumir su interfaz documentada.
Recursos
- Repositorio y README - 118 estrellas; licencia detectada por GitHub: Apache-2.0.
- Licencia - Consulta sus condiciones antes de reutilizar el proyecto.