Cómo elegir el extractor de datos

Compara /agent, /extract y /scrape (modo JSON) para escoger la herramienta adecuada para extraer datos estructurados

Firecrawl ofrece tres métodos para extraer datos estructurados de páginas web. Cada uno se adapta a distintos casos de uso, con diferentes niveles de automatización y control.

​

Comparación rápida

Función	/agent	/extract	/scrape (modo JSON)
Estado	Activo	Usa /agent en su lugar	Activo
URL requerida	No (opcional)	Sí (se admiten comodines)	Sí (URL única)
Alcance	Descubrimiento en toda la web	Varias páginas/dominios	Una sola página
Descubrimiento de URL	Búsqueda web autónoma	Rastrea desde las URL dadas	Ninguno
Procesamiento	Asíncrono	Asíncrono	Síncrono
Esquema requerido	No (prompt o esquema)	No (prompt o esquema)	No (prompt o esquema)
Precios	Dinámico (5 ejecuciones gratuitas al día)	Basado en tokens (1 crédito = 15 tokens)	1 crédito/página
Ideal para	Investigación, descubrimiento, recopilación compleja	Extracción multipágina (cuando ya conoces las URL)	Extracción de una sola página conocida

​

1. Endpoint /agent

El endpoint /agent es la funcionalidad más avanzada de Firecrawl, el sucesor de /extract. Utiliza agentes de IA para buscar, navegar y recopilar datos de forma autónoma en toda la web.

​

Características clave

• URLs opcionales: Solo tienes que describir lo que necesitas mediante el prompt; las URLs son completamente opcionales
• Navegación autónoma: El agente busca y navega en profundidad por sitios web para encontrar tus datos
• Búsqueda profunda en la web: Descubre información de forma autónoma en múltiples dominios y páginas
• Procesamiento en paralelo: Procesa múltiples fuentes simultáneamente para obtener resultados más rápidos
• Modelos disponibles: spark-1-mini (predeterminado, 60% más económico) y spark-1-pro (mayor precisión)

​

Ejemplo

Python

from firecrawl import Firecrawl
from pydantic import BaseModel, Field
from typing import List, Optional

app = Firecrawl(api_key="fc-YOUR_API_KEY")

class Founder(BaseModel):
    name: str = Field(description="Nombre completo del fundador")
    role: Optional[str] = Field(None, description="Rol o posición")
    background: Optional[str] = Field(None, description="Experiencia profesional")

class FoundersSchema(BaseModel):
    founders: List[Founder] = Field(description="List of founders")

result = app.agent(
    prompt="Find the founders of Firecrawl",
    schema=FoundersSchema,
    model="spark-1-mini"
)

print(result.data)

​

Caso de uso ideal: investigación y descubrimiento autónomos

Escenario: Necesitas encontrar información sobre startups de IA que hayan obtenido una ronda de financiación Serie A, incluyendo sus fundadores y los montos financiados.

Por qué /agent: No sabes qué sitios web contienen esta información. El agente buscará de forma autónoma en la web, navegará a fuentes relevantes (Crunchbase, sitios de noticias, páginas de empresas) y recopilará los datos estructurados por ti.

Para más información, consulta la documentación del agente.

---

​

2. Endpoint /extract

Usa /agent en su lugar: Recomendamos migrar a /agent: es más rápido, más fiable, no requiere URL y cubre todos los casos de uso de /extract y más.

El endpoint /extract recopila datos estructurados a partir de URL específicas o dominios completos usando extracción basada en LLM.

​

Características clave

• URLs normalmente requeridas: Proporciona al menos una URL (admite comodines como example.com/*)
• Rastreo de dominio: Puede rastrear y analizar todas las URLs descubiertas en un dominio
• Mejora de la búsqueda web: enableWebSearch opcional para seguir enlaces fuera de los dominios especificados
• Esquema opcional: Admite un esquema JSON estricto O prompts en lenguaje natural
• Procesamiento asíncrono: Devuelve un ID de tarea para comprobar el estado

​

La limitación de las URL

El desafío fundamental con /extract es que normalmente necesitas conocer las URL de antemano:

1. Brecha de descubrimiento: Para tareas como “find YC W24 companies”, no sabes qué URL contienen los datos. Necesitarías un paso de búsqueda por separado antes de llamar a /extract.
2. Búsqueda web poco práctica: Aunque existe enableWebSearch, está limitado a comenzar desde las URL que proporcionas, lo que resulta en un flujo de trabajo poco práctico para tareas de descubrimiento.
3. Por qué se creó /agent: /extract es bueno para extraer desde ubicaciones conocidas, pero es menos efectivo para descubrir dónde están los datos.

​

Ejemplo

Python

from firecrawl import Firecrawl

firecrawl = Firecrawl(api_key="fc-YOUR-API-KEY")

schema = {
    "type": "object",
    "properties": {"description": {"type": "string"}},
    "required": ["description"],
}

res = firecrawl.extract(
    urls=["https://docs.firecrawl.dev"],
    prompt="Extrae la descripción de la página",
    schema=schema,
)

print(res.data["description"])

​

Mejor caso de uso: extracción específica de múltiples páginas

Escenario: Tienes la URL de la documentación de tu competidor y quieres extraer todos los endpoints de su API de docs.competitor.com/*.

Por qué /extract funcionó aquí: Conocías el dominio exacto. Pero incluso así, hoy en día /agent con URLs proporcionadas normalmente ofrece mejores resultados.

Para más detalles, consulta la documentación de Extract.

---

​

3. Endpoint /scrape con modo JSON

El endpoint /scrape con modo JSON es el enfoque con mayor control: extrae datos estructurados de una única URL conocida usando un LLM para convertir el contenido de la página en el esquema que especifiques.

​

Características clave

• Solo una URL: Diseñado para extraer datos de una única página específica a la vez
• URL exacta requerida: Debes conocer la URL precisa que contiene los datos
• Esquema opcional: Puedes usar un esquema JSON o solo un prompt (el LLM elige la estructura)
• Síncrono: Devuelve los datos de inmediato (no hace falta hacer polling de jobs)
• Formatos adicionales: Puede combinar la extracción en JSON con markdown, HTML y capturas de pantalla en una sola solicitud

​

Ejemplo

Python

from firecrawl import Firecrawl
from pydantic import BaseModel

app = Firecrawl(api_key="fc-YOUR-API-KEY")

class CompanyInfo(BaseModel):
    company_mission: str
    supports_sso: bool
    is_open_source: bool
    is_in_yc: bool

result = app.scrape(
    'https://firecrawl.dev',
    formats=[{
      "type": "json",
      "schema": CompanyInfo.model_json_schema()
    }],
    only_main_content=False,
    timeout=120000
)

print(result)

​

Caso de uso ideal: extracción precisa de una sola página

Escenario: Estás creando una herramienta de monitoreo de precios y necesitas extraer el precio, la disponibilidad y los detalles del producto de una página de producto específica para la que ya tienes la URL.

Por qué usar /scrape con modo JSON: Sabes exactamente qué página contiene los datos, necesitas una extracción precisa de una sola página y quieres resultados síncronos sin la sobrecarga de gestionar tareas.

Para más detalles, consulta la documentación del modo JSON.

---

​

Guía de decisiones

¿Conoces las URL exactas que contienen tus datos?

• NO → Usa /agent (descubrimiento web autónomo)
• SÍ
  • ¿Una sola página? → Usa /scrape con modo JSON
  • ¿Múltiples páginas? → Usa /agent con URLs (o /scrape por lotes)

​

Recomendaciones por escenario

Escenario	Endpoint recomendado
”Encontrar todas las startups de IA y su financiación”	/agent
”Extraer datos de esta página de producto específica”	/scrape (modo JSON)
“Obtener todas las publicaciones de blog de competitor.com”	/agent con URL
”Monitorizar precios en múltiples URLs conocidas”	/scrape con procesamiento por lotes
”Investigar empresas en un sector específico”	/agent
”Extraer información de contacto de 50 páginas de empresas conocidas”	/scrape con procesamiento por lotes

---

​

Precios

Endpoint	Costo	Notas
/scrape (modo JSON)	1 crédito/página	Fijo, predecible
/extract	Basado en tokens (1 crédito = 15 tokens)	Variable según el contenido
/agent	Dinámico	5 ejecuciones gratuitas al día; varía según la complejidad

​

Ejemplo: “Encuentra a los fundadores de Firecrawl”

Endpoint	Cómo funciona	Créditos usados
/scrape	Encuentras la URL manualmente y luego haces scraping de 1 página	~1 crédito
/extract	Proporcionas una o varias URL y extrae datos estructurados	Variable (basado en tokens)
/agent	Solo tienes que enviar el prompt: el agente encuentra y extrae	~15 créditos

Compensación: /scrape es el más barato pero requiere que conozcas la URL. /agent cuesta más pero se encarga del descubrimiento automáticamente.

Para ver los precios detallados, consulta Precios de Firecrawl.

---

​

Migración: /extract → /agent

Si actualmente estás utilizando /extract, la migración es muy sencilla:

Antes (extract):

result = app.extract(
    urls=["https://example.com/*"],
    prompt="Extraer información del producto",
    schema=schema
)

Después (agente):

result = app.agent(
    urls=["https://example.com"],  # Opcional - se puede omitir por completo
    prompt="Extract product information from example.com",
    schema=schema,
    model="spark-1-mini"  # or "spark-1-pro" for higher accuracy
)

La ventaja clave es que, con /agent, puedes prescindir por completo de las URL y simplemente describir lo que necesitas.

---

​

Puntos clave

1. ¿Sabes la URL exacta? Usa /scrape con modo JSON: es la opción más barata (1 crédito/página), la más rápida (sincrónica) y la más predecible.

2. ¿Necesitas investigación autónoma? Usa /agent: gestiona el descubrimiento automáticamente con 5 ejecuciones gratuitas al día y luego precios dinámicos según la complejidad.

3. Migra de /extract a /agent para proyectos nuevos: /agent es el sucesor con mejores capacidades.

4. Equilibrio entre costo y conveniencia: /scrape es lo más rentable cuando conoces tus URLs; /agent cuesta más, pero elimina el descubrimiento manual de URLs.

---

​

Lecturas adicionales

• Documentación de Agent
• Modelos de Agent
• Documentación del modo JSON
• Documentación de Extract
• Rastreo por lotes