Desarrollador web scraping

Buscamos una persona apasionada por la extracción y transformación de datos a gran escala, a quien le guste encontrar soluciones creativas para acceder, estructurar y normalizar información de fuentes web diversas y complejas. Debes ser una persona analítica, persistente e ingeniosa, capaz de adaptarse rápidamente a cambios en las fuentes de datos y enfrentar desafíos como CAPTCHAs, sitios dinámicos y mecanismos anti-bot. Tu perfil debe estar orientado a construir pipelines de extracción robustos, escalables y mantenibles, con conocimientos sólidos en Python y automatización de navegadores.

Funciones del cargo

• Diseñar, desarrollar y mantener scrapers y crawlers robustos para la extracción masiva de datos de fuentes web públicas, incluyendo sitios con renderizado dinámico (JavaScript).
• Implementar y administrar granjas de automatización de navegadores (Playwright, Selenium) capaces de operar decenas de sesiones concurrentes de forma estable.
• Desarrollar estrategias de evasión y adaptación frente a mecanismos anti-bot, CAPTCHAs, rate limiting y cambios estructurales en las fuentes de datos.
• Diseñar pipelines de procesamiento y normalización de datos extraídos, asegurando calidad, consistencia y trazabilidad de la información.
• Implementar sistemas de monitoreo, alertas y reintentos automáticos para garantizar la disponibilidad continua de los procesos de extracción.
• Optimizar el rendimiento y consumo de recursos de los scrapers, incluyendo gestión de proxies, rotación de identidades y paralelismo.
• Documentar fuentes de datos, lógica de extracción y reglas de negocio asociadas a cada scraper.
• Trabajar estrechamente con el equipo de backend y producto para integrar los datos extraídos en los servicios y APIs de la plataforma.

Requisitos del cargo

• Mínimo 2 años de experiencia en web scraping y extracción de datos a escala con Python.
• Dominio de librerías y frameworks de scraping: Scrapy, BeautifulSoup, lxml, Requests, HTTPX.
• Experiencia sólida con automatización de navegadores headless: Playwright (preferido) o Selenium.
• Conocimiento en manejo de proxies, rotación de IPs y técnicas anti-detección.
• Experiencia con bases de datos NoSQL (MongoDB) y/o relacionales (PostgreSQL).
• Conocimiento en administración y desarrollo en entornos Linux.
• Experiencia con Docker y despliegue de servicios en la nube (AWS deseable).
• Capacidad para analizar y parsear estructuras HTML/CSS complejas, así como consumir APIs no documentadas.

Requisitos deseables:

• Experiencia con colas de tareas y procesamiento asíncrono (Celery, Redis, asyncio).
• Conocimiento en resolución automatizada de CAPTCHAs (servicios de terceros o ML).
• Familiaridad con herramientas de orquestación y monitoreo (Grafana, Prometheus).
• Experiencia manejando alto volumen de datos y sesiones concurrentes (+50 sesiones simultáneas).

¿Qué te ofrecemos? 

• Contrato a término indefinido.
• Salario: Entre $5.500.000 y $7.500.000.
• Teletrabajo híbrido en Bogotá (3 días en oficina, 2 días en casa)
• Bonos por cumplimiento de metas trimestrales.
• Clases de yoga.
• Clases de inglés.
• Fondo de empleados.
• Cartera de puntos.

¡Anímate a ser parte de nuestro equipo!