---
id: "RF-SCR-001"
title: "Motor de Scraping con Anti-Detection"
type: "Functional Requirement"
epic: "IAI-007"
priority: "Alta"
status: "Draft"
project: "inmobiliaria-analytics"
created_date: "2026-01-04"
updated_date: "2026-01-04"
---

# RF-IA-007-001: Motor de Scraping con Anti-Detection

---

## Descripcion

El sistema debe proporcionar un motor de web scraping capaz de extraer datos de portales inmobiliarios protegidos por Cloudflare y otros sistemas anti-bot, emulando comportamiento de usuario real para evitar bloqueos.

---

## Justificacion

Los portales inmobiliarios como Inmuebles24 y Vivanuncios implementan protecciones robustas contra scraping automatizado. Sin un motor especializado con capacidades anti-detection, el sistema no podra obtener datos actualizados del mercado.

---

## Requisitos Funcionales

### RF-001.1: Browser Automation

| ID | Requisito | Prioridad |
|----|-----------|-----------|
| RF-001.1.1 | El sistema debe usar Playwright como motor de automatizacion principal | Alta |
| RF-001.1.2 | El sistema debe soportar modo headless con stealth patches | Alta |
| RF-001.1.3 | El sistema debe ocultar propiedades de WebDriver (navigator.webdriver) | Alta |
| RF-001.1.4 | El sistema debe emular User-Agents reales y rotarlos | Alta |
| RF-001.1.5 | El sistema debe soportar HTTP/2 y TLS moderno | Media |

### RF-001.2: Anti-Detection

| ID | Requisito | Prioridad |
|----|-----------|-----------|
| RF-001.2.1 | El sistema debe simular movimientos de mouse antes de clicks | Alta |
| RF-001.2.2 | El sistema debe implementar scroll gradual (no instantaneo) | Alta |
| RF-001.2.3 | El sistema debe agregar delays aleatorios entre acciones | Alta |
| RF-001.2.4 | El sistema debe esperar carga completa de JavaScript antes de extraer | Alta |
| RF-001.2.5 | El sistema debe detectar y manejar desafios Cloudflare Turnstile | Media |

### RF-001.3: Session Management

| ID | Requisito | Prioridad |
|----|-----------|-----------|
| RF-001.3.1 | El sistema debe persistir cookies entre sesiones | Alta |
| RF-001.3.2 | El sistema debe rotar sesiones periodicamente | Media |
| RF-001.3.3 | El sistema debe implementar "warming up" de sesiones nuevas | Media |

---

## Criterios de Aceptacion

- [ ] Playwright se inicializa con stealth mode habilitado
- [ ] navigator.webdriver retorna undefined en el browser automatizado
- [ ] User-Agent rota entre 10+ agentes reales diferentes
- [ ] Delays entre acciones varian entre 1-5 segundos aleatoriamente
- [ ] Scroll simula comportamiento humano (velocidad variable)
- [ ] Sesiones se persisten y reusan correctamente
- [ ] El scraper pasa pruebas de bot detection (bot.sannysoft.com)

---

## Dependencias

- Playwright NPM package
- playwright-extra con stealth plugin
- Redis para session storage

---

## Riesgos

| Riesgo | Probabilidad | Impacto | Mitigacion |
|--------|--------------|---------|------------|
| Stealth patches obsoletos | Media | Alto | Monitorear actualizaciones, tener fallbacks |
| Nuevas tecnicas de deteccion | Alta | Alto | Monitoreo continuo, ajustes rapidos |

---

## Historias de Usuario Relacionadas

- US-SCR-001: Scraping de Inmuebles24

---

## Referencias Tecnicas

- [playwright-extra-stealth](https://github.com/nickarsenault/playwright-extra-stealth)
- [Nodriver](https://github.com/nickarsenault/nodriver)
- [ScrapFly Cloudflare Guide](https://scrapfly.io/blog/how-to-bypass-cloudflare-protection/)

---

**Autor:** Tech Lead
**Fecha:** 2026-01-04