Rastrear tu marca en seis motores de respuesta de IA con un solo canal.

export SCRAPELESS_API_KEY=tu_token_de_api_aquí

# capture.py — ejecuta un prompt a través de seis motores de respuesta de IA, almacena respuestas sin procesar
import json
import os
import time

import requests

ENDPOINT = "https://api.scrapeless.com/api/v2/scraper/execute"
HEADERS = {
    "Content-Type": "application/json",
    "x-api-token": os.environ["SCRAPELESS_API_KEY"],
}

PROMPT = "¿Cuál es la mejor API de scraping web para sitios pesados en JavaScript?"
COUNTRY = "US"

ENGINES = {
    "chatgpt": {"actor": "scraper.chatgpt", "extra": {}},
    "grok": {"actor": "scraper.grok", "extra": {"mode": "MODEL_MODE_FAST"}},
    "gemini": {"actor": "scraper.gemini", "extra": {}},
    "perplexity": {"actor": "scraper.perplexity", "extra": {"web_search": True}},
    "copilot": {"actor": "scraper.copilot", "extra": {"mode": "smart"}},
    "google-ai-overview": {"actor": "scraper.overview", "extra": {}},
}

with open("answers.jsonl", "w", encoding="utf-8") as out:
    for platform, spec in ENGINES.items():
        payload = {
            "actor": spec["actor"],
            "input": {"prompt": PROMPT, "country": COUNTRY, **spec["extra"]},
        }
        resp = requests.post(ENDPOINT, headers=HEADERS, json=payload, timeout=300)
        resp.raise_for_status()
        data = resp.json()
        out.write(json.dumps({
Here is the translation of the text to Spanish:

```json
"plataforma": plataforma,
            "indicador": INDICADOR,
            "país": PAÍS,
            "capturado_en": int(time.time()),
            "estado": data.get("estado"),
            "id_tarea": data.get("id_tarea"),
            "resultado_tarea": data.get("resultado_tarea"),
        }) + "\n")
        print(f"{plataforma}: {data.get('estado')}")

# normalize.py — answers.jsonl -> citations.jsonl (una fila por fuente citada)
import json
from urllib.parse import urlparse

# plataforma -> lista de pares (campo_array, clave_url) dentro de resultado_tarea
CAMPOS_CITACION = {
    "chatgpt": [("content_references", "url")],
    "grok": [("web_search_results", "url"), ("x_search_results", "url")],
    "gemini": [("citaciones", "url")],
    "perplexidad": [("web_results", "url")],
    "copilot": [("citaciones", "url")],
    "google-ai-overview": [("source", "url")],
}

with open("answers.jsonl", encoding="utf-8") as inp, \
     open("citations.jsonl", "w", encoding="utf-8") as out:
    for line in inp:
        row = json.loads(line)
        resultado = row.get("resultado_tarea") or {}
        for campo, clave_url in CAMPOS_CITACION[row["plataforma"]]:
            for entrada in resultado.get(campo) or []:
                url = entrada.get(clave_url) or ""
                if not url.startswith("http"):
                    continue
                out.write(json.dumps({
                    "plataforma": row["plataforma"],
                    "indicador": row["indicador"],
                    "país": row["país"],
                    "capturado_en": row["capturado_en"],
                    "panel": campo,
                    "dominio": urlparse(url).netloc.removeprefix("www."),
                    "url": url,
                    "título": entrada.get("title") or entrada.get("name") or "",
                }) + "\n")

print(sum(1 for _ in open("citations.jsonl", encoding="utf-8")), "citas normalizadas")

# report.py — citations.jsonl -> tabla de cuota de cita por plataforma
import json
import os
from collections import Counter, defaultdict

MARCA = os.environ.get("BRAND_DOMAIN", "scrapeless.com")

por_plataforma = defaultdict(Counter)
with open("citations.jsonl", encoding="utf-8") as inp:
    for line in inp:
        row = json.loads(line)
        por_plataforma[row["plataforma"]][row["dominio"]] += 1

for plataforma, conteos in por_plataforma.items():
    total = sum(conteos.values())
    impactos_marca = conteos.get(MARCA, 0)
    print(f"\n{plataforma} — {total} citas · {MARCA}: {impactos_marca}")
    for dominio, n in conteos.most_common(5):
        marcador = " ←" si dominio == MARCA else ""
        print(f"  {n:>3}  {dominio}{marcador}")

Los actores viven en la [API de raspado universal](https://www.scrapeless.com/es/product/universal-scraping-api?utm_source=website&utm_medium=blog&utm_campaign=universalscrapingapi&utm_term=track-brand-ai-answer-engines); la [guía de los mejores raspadores LLM](https://www.scrapeless.com/es/blog/best-llm-scrapers-2026?utm_source=website&utm_medium=blog&utm_campaign=universalscrapingapi&utm_term=track-brand-ai-answer-engines) clasifica la categoría si estás comparando herramientas.

---

## Preguntas Frecuentes

**P: ¿Es legal capturar respuestas de IA de esta manera?**

Los actores capturan contenido de respuestas renderizadas públicamente. Las reglas varían según la jurisdicción y los términos de cada plataforma; revisa los ToS relevantes y consulta a un abogado para tu caso de uso. Nunca recojas datos personales protegidos por el GDPR o CCPA.

**P: ¿Por qué un aviso en el ejemplo en lugar de un conjunto?**

Claridad. Las ejecuciones de producción repiten un conjunto de avisos alrededor de la Etapa 1; todo lo que sigue ya maneja múltiples avisos porque cada fila lleva su `avisar`.

**P: ¿Cuántas ejecuciones hacen una serie utilizable?**

Capturas únicas de una superficie no determinística demuestran poco. Capturas diarias durante dos a tres semanas dan suficientes puntos para separar la tendencia del ruido en la mayoría de los conjuntos de avisos.

**P: ¿Qué pasa con la pestaña del Modo AI de Google?**

Tiene su propio actor (`scraper.aimode`) bajo el mismo sobre; añade una séptima entrada al mapa del motor. La [guía de visión general de AI](https://www.scrapeless.com/es/blog/google-ai-overview-scraper-api-2026?utm_source=website&utm_medium=blog&utm_campaign=universalscrapingapi&utm_term=track-brand-ai-answer-engines) cubre en profundidad las superficies de respuestas de Google.

**P: ¿Necesito un proxy?**

No. La salida residencial y el geo-enrutamiento están integrados en los actores; la entrada `country` es toda la configuración.

**P: ¿Puede esto funcionar sin un agente de IA o SDK?**

Sí; las tres etapas son simplemente Python sobre HTTP. Cualquier programador (cron, CI, un ejecutor de flujo de trabajo) puede impulsarlas.

---

## Conclusión: un sobre, seis motores, un número

El pipeline se reduce a tres archivos: captura respuestas a través de seis actores que comparten un punto final y un sobre, normaliza seis esquemas de citación con un mapa de campo de seis líneas y cuenta dominios. La salida es el número que faltaba al trabajo de visibilidad de la era de la IA: con qué frecuencia cada motor de respuestas te cita, rastreado a lo largo del tiempo, por mercado. Programa esto y el gráfico se dibuja solo.

## ¿Listo para construir tu pipeline de datos de respuestas de IA?

Únete a nuestra comunidad para reclamar un plan gratuito y conectarte con desarrolladores que construyen pipelines de respuestas de IA: [Discord](https://discord.gg/VU2vtbq7Q2) · [Telegram](https://t.me/scrapeless).

Regístrate en [app.scrapeless.com](https://app.scrapeless.com/passport/login/?utm_source=website&utm_medium=blog&utm_campaign=universalscrapingapi&utm_term=track-brand-ai-answer-engines) para créditos de prueba gratuitos y apunta el pipeline a los avisos, motores y mercados a los que responde tu marca.