Extrae

El punto de conexión /extract simplifica la recopilación de datos estructurados desde cualquier número de URL o dominios completos. Proporciona una lista de URL, opcionalmente con comodines (p. ej., example.com/*), y un prompt o un esquema que describa la información que deseas. Firecrawl se encarga de los detalles de rastreo, análisis y compilación de conjuntos de datos grandes o pequeños.

Puedes extraer datos estructurados de una o varias URL, incluyendo comodines:

• Página única
  Ejemplo: https://firecrawl.dev/some-page
• Múltiples páginas / Dominio completo
  Ejemplo: https://firecrawl.dev/*

Cuando usas /*, Firecrawl rastreará y analizará automáticamente todas las URL que pueda encontrar en ese dominio y luego extraerá los datos solicitados. Esta función es experimental; envía un correo a help@firecrawl.com si tienes problemas.

Parámetros clave:

• urls: Una lista de una o más URL. Admite comodines (/*) para un rastreo más amplio.
• prompt (Opcional salvo que no haya schema): Un prompt en lenguaje natural que describe los datos que quieres o especifica cómo quieres estructurarlos.
• schema (Opcional salvo que no haya prompt): Una estructura más rígida si ya conoces el esquema JSON.
• enableWebSearch (Opcional): Si es true, la extracción puede seguir enlaces fuera del dominio especificado.

Consulta la Referencia de la API para más detalles.

{  "success": true,  "data": {    "company_mission": "Firecrawl es la forma más sencilla de extraer datos de la web. Los desarrolladores nos utilizan para convertir de forma confiable URLs en markdown apto para LLM o en datos estructurados con una sola llamada a la API.",    "supports_sso": false,    "is_open_source": true,    "is_in_yc": true  }}

Cuando envías un trabajo de extracción —ya sea directamente mediante la API o a través de los métodos de inicio— recibirás un ID de trabajo. Puedes usar este ID para:

• Obtener el estado del trabajo: Envía una solicitud al punto de conexión /extract/ para ver si el trabajo sigue en ejecución o ya finalizó.
• Esperar los resultados: Si usas el método predeterminado extract (Python/Node), el SDK espera y devuelve los resultados finales.
• Iniciar y luego consultar: Si usas los métodos de inicio —start_extract (Python) o startExtract (Node)— el SDK devuelve un ID de trabajo de inmediato. Usa get_extract_status (Python) o getExtractStatus (Node) para consultar el progreso.

A continuación, se muestran ejemplos de código para comprobar el estado de un trabajo de extracción usando Python, Node.js y cURL:

• completed: La extracción se completó correctamente.
• processing: Firecrawl aún está procesando tu solicitud.
• failed: Ocurrió un error; los datos no se extrajeron por completo.
• cancelled: El trabajo fue cancelado por el usuario.

{  "success": true,  "data": [],  "status": "en_proceso",  "expiresAt": "2025-01-08T20:58:12.000Z"}

{  "success": true,  "data": {      "company_mission": "Firecrawl es la forma más sencilla de extraer datos de la web. Los desarrolladores nos utilizan para convertir, de forma confiable, URLs en markdown listo para LLM o en datos estructurados con una sola llamada a la API.",      "supports_sso": false,      "is_open_source": true,      "is_in_yc": true    },  "status": "completado"  "expiresAt": "2025-01-08T20:58:12.000Z"}

Si prefieres no definir una estructura estricta, puedes simplemente proporcionar un prompt. El modelo subyacente elegirá una estructura por ti, lo que puede ser útil para solicitudes más exploratorias o flexibles.

{  "success": true,  "data": {    "company_mission": "Convierte sitios web en datos listos para LLM. Impulsa tus aplicaciones de IA con datos limpios extraídos de cualquier sitio web."  }}

Establecer enableWebSearch = true en tu solicitud ampliará el rastreo más allá del conjunto de URL proporcionado. Esto puede capturar información de respaldo o relacionada de páginas enlazadas.

Aquí tienes un ejemplo que extrae información sobre cámaras para tablero (dash cams), enriqueciendo los resultados con datos de páginas relacionadas:

{  "success": true,  "data": {    "dash_cams": [      {        "name": "Nextbase 622GW",        "price": "$399.99",        "features": [          "Grabación de video en 4K",          "Estabilización de imagen",          "Alexa integrado",          "Integración con What3Words"        ],        /* Información de abajo enriquecida con otros sitios web como         https://www.techradar.com/best/best-dash-cam, encontrada         mediante el parámetro enableWebSearch */        "pros": [          "Excelente calidad de video",          "Muy buena visión nocturna",          "GPS integrado"        ],        "cons": ["Precio elevado", "La app puede ser inestable"]      }    ],  }

La respuesta incluye contexto adicional obtenido de páginas relacionadas, lo que ofrece información más completa y precisa.

El punto de conexión /extract ahora permite extraer datos estructurados con un prompt sin necesidad de URLs específicas. Es útil para investigación o cuando se desconocen las URLs exactas. Actualmente en alfa.

1. Cobertura de sitios a gran escala
   Aún no se admite cubrir por completo sitios masivos (p. ej., “todos los productos de Amazon”) en una sola solicitud.

2. Consultas lógicas complejas
   Solicitudes como “encontrar todas las publicaciones de 2025” pueden no devolver de forma fiable todos los datos esperados. Estamos trabajando en capacidades de consulta más avanzadas.

3. Inconsistencias ocasionales
   Los resultados pueden variar entre ejecuciones, especialmente en sitios muy grandes o dinámicos. Por lo general se capturan los detalles clave, pero puede haber cierta variación.

4. Estado Beta
   Dado que /extract sigue en Beta, las funciones y el rendimiento continuarán evolucionando. Agradecemos los reportes de errores y comentarios para ayudarnos a mejorar.

FIRE-1 es un agente de IA que amplía las capacidades de scraping de Firecrawl. Puede controlar acciones del navegador y navegar por estructuras web complejas para permitir una extracción de datos más completa que los métodos de scraping tradicionales.

Puedes usar el agente FIRE-1 con el punto de conexión /extract para tareas de extracción complejas que requieren navegar por varias páginas o interactuar con elementos.

Ejemplo (cURL):

curl -X POST https://api.firecrawl.dev/v2/extract \    -H 'Content-Type: application/json' \    -H 'Authorization: Bearer YOUR_API_KEY' \    -d '{      "urls": ["https://example-forum.com/topic/123"],      "prompt": "Extrae todos los comentarios de los usuarios de este hilo del foro.",      "schema": {        "type": "object",        "properties": {          "comments": {            "type": "array",            "items": {              "type": "object",              "properties": {                "author": {"type": "string"},                "comment_text": {"type": "string"}              },              "required": ["author", "comment_text"]            }          }        },        "required": ["comments"]      },      "agent": {        "model": "FIRE-1"      }    }'

FIRE-1 ya está activo y disponible en versión preliminar.

Hemos simplificado la facturación para que Extract ahora use créditos, igual que todos los demás endpoints. Cada crédito equivale a 15 tokens.

Puedes supervisar el uso de Extract a través del panel de control.

¿Tienes comentarios o necesitas ayuda? Puedes enviar un correo a help@firecrawl.com.

¿Eres un agente de IA que necesita una clave API de Firecrawl? Consulta firecrawl.dev/agent-onboarding/SKILL.md para obtener instrucciones de incorporación automatizada.