Cheerio vs Titiritero: Cómo elegir la herramienta adecuada

Ambas son bibliotecas de Node.js en diferentes capas. Cheerio toma el HTML que ya tienes y te proporciona selectores para extraer datos. Puppeteer inicia un navegador Chromium real, ejecuta el JavaScript de la página y te permite leer o hacer clic en el resultado.

El filtro más rápido para comparar Cheerio y Puppeteer es la prueba de «ver fuente»: busca en el código fuente sin procesar los datos que deseas. Si están ahí, basta con Cheerio y un cliente HTTP. Si el código fuente es un shell vacío con paquetes de JS, necesitas un navegador.

Cheerio es una biblioteca dedicada exclusivamente al análisis. Le pasas una cadena HTML con cheerio.load(html) y devuelve un $ objeto que imita a jQuery: $('h1').text(), $('a.product').each(...), búsquedas de atributos, recorrido. No hay DOM, ni motor de maquetación, ni tiempo de ejecución de JavaScript.

Cheerio tampoco recupera HTML por sí mismo, por lo que debes combinarlo con axios, node-fetch o undici. Esa separación es una ventaja: tú controlas la capa de solicitudes y Cheerio se centra en el análisis.

Puppeteer es una API de Node.js que controla Chrome o Chromium a través del protocolo Chrome DevTools. Cuando npm install puppeteer, incluye una versión de Chromium compatible, por lo que no es necesario gestionar un binario de navegador independiente.

Un script típico sigue el mismo ciclo de vida: puppeteer.launch(), browser.newPage(), page.goto(url), page.waitForSelector(...) para contenido asíncrono, luego page.content() o page.evaluate(...) para leer el DOM renderizado.

Comparar Cheerio y Puppeteer no es tanto una cuestión de decidir cuál es mejor, sino más bien una confirmación de para qué sirve cada uno. La velocidad y el espacio ocupado favorecen a Cheerio. La representación de JavaScript, la interceptación de red y la simulación de usuario son el fuerte de Puppeteer.

Cheerio analiza el HTML en milisegundos y utiliza unos pocos megabytes por trabajador, por lo que caben miles de análisis en un proceso de Node.js o en una pequeña función sin servidor. Cada instancia del navegador Puppeteer suele necesitar entre 150 y 300 MB de RAM (cifras de referencia de la comunidad en el momento de redactar este artículo; compruébalas con tu carga de trabajo). En un Lambda de 1 GB, eso limita rápidamente el paralelismo.

Si sabes escribir $('div.card .price').text(), puedes escribir Cheerio. La mayoría de las tareas son de entre 10 y 20 líneas. Puppeteer exige más: familiaridad con async/await, el ciclo de vida de la página y la depuración de errores de sincronización en los que un selector se activa antes de que lleguen los datos.

Recurre a Cheerio cuando el cuerpo de la respuesta ya contiene los datos. Eso abarca una gran parte de la web pública: blogs, noticias, páginas de marketing, RSS, mapas de sitio, resultados de búsqueda renderizados por el servidor, documentación.

En la comparación entre Cheerio y Puppeteer para estos objetivos, Puppeteer es excesivo. Una combinación de Cheerio y Axios rastrea más páginas por segundo y cabe en trabajadores sin servidor económicos. Si curl URL | grep encuentra tus datos, Cheerio también lo hará.

Puppeteer demuestra su valía cuando la página es más una aplicación que un documento. Las aplicaciones de página única (SPA) creadas con React, Vue o Angular suelen enviar un shell vacío e inyectar contenido mediante XHR tras la carga. También necesitas un navegador real para el desplazamiento infinito, paneles de control con acceso restringido, gestión de cookies o sesiones, y formularios de varios pasos.

Puppeteer también es adecuado cuando el scraping es un efecto secundario de una automatización más amplia: capturas de pantalla, PDF, envíos de formularios, comprobaciones de la ubicación de anuncios.

La respuesta más clara a la disyuntiva entre Cheerio y Puppeteer para la mayoría de sitios web no triviales es «ambos». Trata el renderizado y el análisis como cuestiones separadas: Puppeteer construye el DOM final y luego pasa el HTML a Cheerio.

¿Por qué separarlos? Ejecutar querySelectorAll dentro de page.evaluate envía una llamada de retorno al navegador por cada pasada del selector, y cada ida y vuelta atraviesa el Protocolo DevTools. Para diez campos repartidos en mil páginas, el coste se acumula.

Obtener el HTML renderizado una vez con page.content() y analizarlo localmente con Cheerio es más rápido, y la lógica del selector sigue siendo depurable sin necesidad de un navegador.

Después de npm init -y && npm install puppeteer cheerio, un rastreador híbrido contra quotes.toscrape.com tiene este aspecto:

const puppeteer = require('puppeteer');
const cheerio = require('cheerio');

(async () => {
  const browser = await puppeteer.launch({ headless: 'new' });
  const page = await browser.newPage();
  await page.goto('https://quotes.toscrape.com/', { waitUntil: 'networkidle2' });

  const html = await page.content();
  await browser.close();

  const $ = cheerio.load(html);
  const quotes = [];
  $('div.quote').each((_, el) => {
    quotes.push({
      quote: $(el).find('span.text').text().trim(),
      author: $(el).find('.author').text().trim(),
    });
  });
  console.log(quotes);
})();

page.content() devuelve el HTML serializado del documento actual, el equivalente moderno y más limpio de los antiguos page.evaluate(() => document.documentElement.innerHTML) patrones. El bloque Cheerio es idéntico a lo que escribirías si axios hubiera obtenido el HTML.

En localhost, todos los rastreadores funcionan. En producción, los modos de fallo se manifiestan como errores 403, 429, problemas de huellas digitales y CAPTCHAs en el momento en que se supera un umbral de frecuencia. Ejecutar Puppeteer por sí solo no es una solución sigilosa: el Chromium sin interfaz gráfica de usuario tiene señales detectables.

Una escalabilidad realista implica rotar proxies residenciales o móviles, aleatorizar los agentes de usuario, reintentar con retrasos y enrutar las solicitudes más complejas a través de una API de scraping gestionada que devuelva HTML renderizado para Cheerio.

Ninguna de estas bibliotecas es la única opción. Playwright es similar a Puppeteer, pero es compatible con Chromium, Firefox y WebKit, y cuenta con una función de espera automática que elimina muchos problemas de sincronización. Selenium es el veterano caballo de batalla políglota, la elección adecuada si tu equipo ya utiliza una red. En cuanto al análisis sintáctico, jsdom te ofrece un DOM real y ejecuta scripts, mientras que htmlparser2 es el analizador de streaming en el que se basa Cheerio.

• El renderizado y el análisis sintáctico son tareas diferentes. Cheerio analiza el HTML; Puppeteer renderiza las páginas. Elige la herramienta adecuada para la tarea, no según tus hábitos.
• Utiliza la prueba «view-source». Si los datos se encuentran en la respuesta sin procesar, Cheerio junto con un cliente HTTP es más rápido, más barato y más fácil de mantener.
• Recurre a Puppeteer cuando JavaScript construya el DOM, cuando necesites clics, desplazamientos o inicios de sesión, o cuando la página sea un shell SPA.
• El patrón híbrido es el mejor en páginas con mucho JavaScript y muchos campos. Representa una vez con page.content(), y luego analiza el HTML en Node con Cheerio.
• Planifica las defensas antibots desde el principio. Los proxies, el endurecimiento de huellas digitales, los reintentos y los CAPTCHAs determinan si tu scraper sobrevive a la producción.

Sí, Cheerio es mucho más rápido porque nunca inicia un navegador. Un análisis de Cheerio se ejecuta en milisegundos sobre una cadena en memoria, mientras que la carga de una página con Puppeteer depende del tiempo de red, renderizado y ejecución de JavaScript, normalmente unos segundos. Con el mismo hardware, normalmente puedes ejecutar entre 10 y 100 veces más trabajadores de Cheerio en paralelo que de Puppeteer.

No. Cheerio solo ve el HTML que le proporcionas, por lo que si una página genera su contenido a partir de JavaScript del lado del cliente, Cheerio devuelve una estructura vacía. Necesitas un navegador sin interfaz gráfica como Puppeteer o Playwright delante, o a veces puedes acceder a la API JSON subyacente que llama la SPA y saltarte el renderizado por completo.

Necesitas algún cliente HTTP, pero no tiene por qué ser axios. Cheerio espera una cadena HTML, así que cualquier cosa que la recupere funciona: axios, node-fetch, undici, el fetch en Node.js moderno, o incluso leer un .html . Elige el cliente que te ofrezca el control de reintentos, proxy y encabezados que tu proyecto necesite.

Técnicamente sí, ya que Puppeteer puede consultar el DOM con page.$$eval y ayudantes similares. En la práctica, es un desperdicio: cada pasada del selector atraviesa el Protocolo DevTools, y pagas el coste de memoria del navegador por tareas que nunca necesitaron JavaScript. La mayoría de los equipos mantienen Puppeteer para el renderizado y dejan que Cheerio se encargue de la extracción.

Playwright suele ser la opción predeterminada más segura hoy en día. Es compatible con Chromium, Firefox y WebKit a través de una sola API, ofrece una mejor espera automática y cuenta con herramientas de depuración más potentes desde el primer momento. Elige Puppeteer si tu equipo ya tiene experiencia con Puppeteer, si solo te centras en Chromium o si estás ampliando un código base de Puppeteer ya existente.

La decisión entre Cheerio y Puppeteer depende realmente de si la página de destino necesita un navegador para existir. Si la respuesta HTML ya contiene los datos, Cheerio más un cliente HTTP es la solución más sencilla, rápida y económica. Si un marco de trabajo de JavaScript ensambla el DOM en tiempo de ejecución, necesitas Puppeteer o Playwright para renderizarlo primero. Y cuando una página tiene mucho JavaScript pero tienes que extraer mucha información de cada visita, renderiza una vez con Puppeteer y analiza con Cheerio.

La parte que ninguna biblioteca resuelve por sí sola es la realidad de la producción: bloqueos, IP rotativas, huellas digitales y CAPTCHAs. Si prefieres mantener tu código de Cheerio y dejar de luchar contra la capa de solicitudes, WebScrapingAPI devuelve HTML renderizado y desbloqueado a través de un único punto de acceso, para que tu analizador pueda centrarse en los selectores en lugar de en el sigilo. Elige la herramienta que mejor se adapte a tu página, planifica con antelación las defensas contra los bots y dedicarás mucho menos tiempo a depurar los rastreadores y mucho más a utilizar los datos.