Scraper & Análisis Forense de Alquileres de Zonaprop

Dos etapas: el scraper corre en tu máquina y deja los datos en salida/<run>/; después se alimentan los LLMs (Claude / Gemini) o se visualiza en el dashboard para el análisis pericial, incluida la revisión de fotos.

La separación no es un capricho: Zonaprop está detrás de DataDome y bloquea IPs de datacenter, así que desde el entorno cloud no se puede scrapear (lo probé, rebota). Desde tu conexión con un navegador real anda bien.

Instalación (una vez)

pip install -r requirements.txt
playwright install chromium

Para desarrollo y correr la suite de tests (python -m pytest tests/):

pip install -r requirements-dev.txt

Uso: el menú

python zp.py menu

Abre una ventana con el árbol de zonas a la izquierda, los filtros a la derecha y los cuatro pasos abajo, con el log en vivo. Al hacer clic en una zona se explica qué abarca, que es donde está la diferencia entre "Vicente López, el partido entero" y "Vicente López, la localidad". Con Ctrl + clic se eligen varias y se hace una corrida por cada una.

Cada botón lanza el mismo zp.py de la terminal como subproceso, y abajo de los botones se muestra el comando exacto, para copiarlo cuando quieras automatizar algo sin la ventana.

Tkinter viene con Python, así que no hay que instalar nada extra.

Uso: la terminal

# 1. Barrer el listado. Una búsqueda por cada valor de --ambientes, dedup por id.
python zp.py buscar --zona vicente-lopez --ambientes 1 2 --paginas 6

# 2. Puntuar por precio, m², expensas y señales del texto.
python zp.py rankear --run vicente-lopez-1-2amb-alquiler --presupuesto 900000 --dolar 1450

# 3. Bajar el detalle y las fotos del top 20 (esta es la etapa lenta).
python zp.py fotos --run vicente-lopez-1-2amb-alquiler --top 20

# 4. Armar el markdown que acompaña a las fotos.
python zp.py dossier --run vicente-lopez-1-2amb-alquiler

Después me pasás salida/<run>/dossier.md y la carpeta salida/<run>/contactos/, y te devuelvo el análisis. Si querés que mire alguna foto en detalle, están sueltas en salida/<run>/fotos/<id>/.

Las zonas

python zp.py zonas                      # el catálogo completo
python zp.py zonas --buscar martelli    # filtrado

Hay tres niveles y conviene tenerlos claros porque el nombre no alcanza:

Nivel	Ejemplo	Qué trae
Región	gba-norte, capital-federal	Miles de avisos. Sirve para sondear precios, no para buscar
Partido	vicente-lopez, san-isidro	Todo el partido: Olivos, Florida, La Lucila, Munro, Carapachay, Villa Martelli y la localidad de Vicente López
Localidad o barrio	villa-martelli, olivos, nunez	Una sola

Zonaprop no tira 404 cuando el slug no existe. Devuelve status 200 con resultados de otro lado, y sin darte cuenta te llevás 600 avisos equivocados. Los casos que verifiqué a mano:

Lo que parece razonable	Lo que devuelve
zona-norte	45.738 avisos de toda la Argentina
barrio-chino	45.738 avisos de toda la Argentina
san-martin	4 avisos de San Martín, Mendoza — hay que usar general-san-martin
la-lucila	0 avisos — hay que usar la-lucila-vicente-lopez
florida-belgrano	"Belgrano, CABA o Florida, Vicente López": el guion de más lo interpreta como dos zonas

Por eso cada zona del catálogo guarda el texto que Zonaprop tiene que devolver en el <h1>, y el scraper compara antes de guardar nada. Si no coincide, corta la corrida con el diagnóstico en vez de seguir. El catálogo está en zp/zonas.py; agregar una zona es agregar una línea, pero conviene abrir la URL primero y copiar el <h1> textual.

Parámetros

Flag	Qué hace
--zona	slug del catálogo: vicente-lopez, villa-martelli, nunez, capital-federal
--ambientes	uno o varios, ej. 1 2. Se hace una búsqueda por cada uno
--tipos	departamentos ph casas (default: departamentos y PH)
--paginas	tope de páginas por búsqueda; cada página son 30 avisos
--presupuesto	tope de alquiler + expensas, no solo del alquiler
--dolar	cotización para convertir los avisos en USD (default 1450)
--top	cuántos avisos pasan a la etapa de fotos
--headless	sin ventana. Más rápido pero más detectable, y no podés resolver la verificación; usalo recién en la segunda corrida
--espera-captcha	segundos para tildar el casillero de verificación (default 240)
--canal	chrome (default, el instalado) o chromium (el de Playwright)

Sobre la verificación de seguridad

Zonaprop usa Cloudflare. Cuando salta, aparece la pantalla de "Un momento... / Verificación de seguridad en curso" con el casillero para tildar.

Cuando eso pasa, el scraper no toca más la página: te avisa en el log, espera hasta 4 minutos (--espera-captcha, o el campo del menú) y chequea una vez por segundo si ya pasaste. No recarga, no navega, no reintenta. Vos tildás el casillero con calma y sigue solo.

Una vez resuelta, la cookie queda en .perfil-chrome/ y las corridas siguientes no la vuelven a pedir por un buen rato.

Para que salte menos seguido:

• Corré sin --headless la primera vez. Sin ventana no hay forma de tildar nada. El menú te avisa si lo tenés tildado. Una vez que la cookie está guardada, sí podés volver a headless.
• Se usa el Chrome que tenés instalado, no el Chromium de Playwright, porque recibe bastantes menos verificaciones. Si no lo encuentra, cae solo al de Playwright. Se puede forzar con --canal chromium.
• Se pasa primero por la home antes de ir a la búsqueda. Entrar directo a una URL de resultados sin cookies y sin referer es de las cosas que más lo disparan.
• No uses --rapido. Entre página y página hay una pausa aleatoria de 2 a 4 segundos a propósito. Y bajá --paginas si te frena seguido.

Qué sale del scraping

De la tarjeta del listado: precio, moneda, expensas, m² totales y cubiertos, ambientes, dormitorios, baños, cocheras, dirección, barrio, inmobiliaria y el copete de la descripción.

De la página de detalle (solo del top N, porque es una request por aviso): antigüedad del edificio, orientación, disposición (frente/contrafrente/interno), luminosidad declarada, la descripción completa y la galería entera en 1200px.

Esos cuatro campos del detalle son los que más mueven la aguja y no están en el listado, por eso el flujo está partido en dos.

Cómo se arma el score

score = 45 × valor + 35 × calidad + 20 × (1 − riesgo)

• valor: tu $/m² contra la mediana de $/m² de esa misma búsqueda. O sea, no contra un número inventado: contra lo que se está pidiendo hoy en esa zona por ese tipo de unidad.

• calidad: bonos y penalizaciones que salen del texto del aviso y de los features. Luminoso, orientación norte, a estrenar, doble vidrio, balcón, acepta mascotas suman; a refaccionar, contrafrente, interno, subsuelo, sin ascensor, pide garantía de CABA restan.

• riesgo: probabilidad a priori de humedad, antes de mirar una sola foto. Planta baja, subsuelo, contrafrente, orientación sur, último piso y edificios de más de 40 años la suben; los edificios nuevos la bajan. Este número no es un veredicto, es el orden en que reviso las fotos.

  La antigüedad es del edificio y el reciclado es de la unidad: reciclar un departamento no arregla la terraza, la fachada ni las cañerías troncales, que es de donde viene la mayoría de las filtraciones. Por eso un reciclado amortigua la penalización por antigüedad a la mitad, no la borra. Y "recién pintado" ahora sube el riesgo en vez de bajarlo: es justo lo que se hace antes de sacar las fotos cuando había una mancha.

Se descarta directo (score × 0.25) lo que supera el presupuesto, lo que no publica precio, los alquileres temporales y los que tienen expensas por encima del 45% del alquiler.

El dato que falta también es dato

Tres reglas que salieron de revisar la primera corrida:

• Expensas no informadas. No valen cero. Se estiman con la mediana de expensas/alquiler de los avisos de esa misma búsqueda que sí las publican (mejor que un porcentaje fijo: no son las mismas expensas en una torre con amenities de Olivos que en un PH de Villa Martelli), se marcan como estimadas en el CSV y en el dossier, y restan puntos. Los ceros declarados quedan fuera del cálculo de la mediana: un PH sin consorcio no es "expensas baratas".
• Avisos escuetos. Un aviso de tres líneas no tiene nada malo escrito porque no tiene nada escrito. Antes eso lo dejaba arriba del que avisa honestamente que es planta baja. Ahora cada dato ausente —superficie, descripción, y después de la etapa de fotos también antigüedad, orientación y disposición— resta.
• Antigüedad. Se distingue "no informa" de "cero años", se entienden los valores no numéricos (A estrenar, En pozo) que antes se perdían, y se saca del texto cuando la ficha no la trae ("edificio de 38 años de antigüedad").

Los pesos y las listas de señales están en zp/scoring.py, en PESOS, BONOS, PENAS y RIESGO_HUMEDAD. Están pensadas para que las toques.

Dos criterios configurados por defecto

• Garantía: los avisos que piden garantía propietaria exclusiva de CABA restan puntos si se busca alquilar con garantía de Provincia de Buenos Aires (o seguros de caución FINAER). Vale la pena consultarlo igual, muchas inmobiliarias lo flexibilizan.
• Alquiler temporal: en Vicente López y Olivos buena parte de la oferta publicada en USD es temporal o amoblada. Se descarta por defecto; si querés verla, sacá esa regla de PENAS.

Las hojas de contacto

python zp.py fotos arma, además de bajar las fotos sueltas, una imagen por aviso con todas las fotos en grilla y numeradas (salida/<run>/contactos/<id>.jpg).

Mirar 20 hojas de contacto cuesta lo mismo que mirar 20 fotos sueltas y cubre 250 fotos. Sirve para el triage: encuentro en cuáles hay algo raro y después voy a la foto individual en alta para confirmar. Por eso el script guarda las dos cosas.

Las últimas fotos de la galería nunca se recortan. Las inmobiliarias suben las fotos en un orden bastante constante: primero living y cocina, al final la fachada, el palier, los amenities y el plano. Cortar con fotos[:16] se comía justo la fachada, que es donde se ve el chorreado bajo los balcones y el revoque saltado — y es lo que contradice al texto del aviso cuando el interior está recién pintado. Ahora, cuando la galería supera el tope, se toma el arranque y se reservan siempre las últimas 5, que además van marcadas en naranja en la hoja de contacto y listadas en el dossier.

Qué busco exactamente en cada foto está en RUBRICA_FOTOS.md, incluida la lista de lo que una foto no puede decir.

El dossier lleva el aviso entero

dossier.md incluye la descripción completa de cada publicación, sin recortar. Tuvo un tope de 900 caracteres que era un error del mismo tipo que el de las fotos: cortaba la cola. En los avisos de Zonaprop el final es justo donde van los requisitos —qué garantía piden y de qué jurisdicción, mascotas, meses de adelanto y depósito, ajuste, honorarios—, que es lo que decide si un departamento es viable antes de ir a verlo. El score nunca se vio afectado (se calcula sobre el texto completo que guarda ranking.json), pero al que leía el dossier le faltaba esa parte.

Si alguna vez necesitás acotarlo, está --max-descripcion N; por defecto es 0, o sea entera.

Antes de correr fotos el dossier solo tiene el copete de la tarjeta, que corta Zonaprop. En ese caso lo aclara, para que no se lea como el aviso completo.

Estructura

zp.py                 CLI: buscar, rankear, fotos, dossier, zonas, menu
zp/menu.py            el menú visual (Tkinter)
zp/zonas.py           catálogo de zonas verificadas + validación del h1
zp/urls.py            armado de las URLs semánticas de Zonaprop
zp/navegador.py       Playwright con perfil persistente y detección de captcha
zp/parseo.py          listado (data-qa) y detalle (JSON embebido)
zp/scoring.py         pesos, señales del texto, datos faltantes y ranking
zp/fotos.py           descarga, muestreo que conserva la fachada, hojas de contacto
tests/                fixture con la estructura real + 46 tests
tests/test_desafio.py test de integración del captcha con un servidor local
salida/<run>/         listado.json, ranking.csv, fotos/, contactos/, dossier.md

Playwright se importa recién cuando hace falta un navegador, así que rankear, dossier, zonas y menu funcionan aunque no esté instalado.

Mantenimiento

Zonaprop cambia el front cada tanto. Los puntos que se pueden romper:

0. El proveedor anti-bot. Hoy es Cloudflare; antes de agosto de 2026 la detección buscaba marcas de DataDome y por eso el desafío pasaba desapercibido. Si algún día ni se detecta ni se pasa, las marcas están en _MARCAS_CLOUDFLARE y _MARCAS_DATADOME en zp/navegador.py. El síntoma es que el paso se cuelga o termina sin avisos en vez de frenarse pidiéndote que tildes el casillero.

1. Los data-qa de las tarjetas (POSTING_CARD_PRICE, expensas, POSTING_CARD_FEATURES, ...). Son bastante estables porque los usan para sus propios tests.

2. El regex resizeUrl1200x1200 del detalle, que es de donde sale la galería completa.

Si un día buscar devuelve 0 avisos, es lo primero a revisar. python -m pytest tests/ corre contra el fixture y te dice si el parser sigue en pie, pero el fixture es una copia de agosto de 2026: si el sitio cambió, hay que recapturar.

Y una tercera, más silenciosa: los slugs de zona. Si Zonaprop renombra o mueve una zona, el catálogo queda viejo, pero la validación del <h1> lo va a cantar en la primera corrida en vez de dejarte con datos de otro lado.

---

Cómo está armado

1. Lo determinístico corre en Python local: el scraping con Playwright, la sesión frente a la protección anti-bot, el parseo del JSON embebido en la página y el cálculo de la matriz financiera y el puntaje.
2. Lo que no se resuelve con reglas lo razona un LLM con visión: el sistema arma hojas de contacto con las fotos y un dossier en markdown, para que el modelo actúe como perito y detecte vicios ocultos (humedad, falta de luz, lentes gran angular que agrandan los ambientes).