Teknisk
Sådan byggede vi et system, der scanner 100.000 websites for brud på reglerne om cookiesamtykke
GDPR Privacy Monitor Engineering · 2026-04-13 · 7 min læsning
Automatiseret kontrol af samtykke-compliance lyder ligetil, indtil man forsøger at bygge det. Den naive tilgang -- hent en side, tjek for cookies, kig efter et banner -- overser det meste af det, der har betydning. Samtykkeovertrædelser er adfærdsmæssige, ikke strukturelle. De manifesterer sig i timingen af scriptudførelse, rækkefølgen af netværksanmodninger, UI-elementers respons på brugerinteraktion og statens vedholdenhed på tværs af sideindlæsninger. Man kan ikke vurdere noget af dette uden at køre en rigtig browser, interagere med siden som et menneske ville, og registrere hvad der faktisk sker på netværksniveau.
Dette indlæg beskriver, hvordan vi byggede scanningmotoren bag GDPR Monitor, de tekniske udfordringer der opslugte det meste af vores tid, de arkitekturmæssige beslutninger vi traf og hvorfor, samt de begrænsninger vi er ærlige omkring. Hvis du arbejder med webcompliance, browserautomatisering eller storstilet webmåling, burde der være noget nyttigt her.
Pipelineoversigten
Hver scanning passerer gennem seks stadier. At forstå pipelinen er nødvendig kontekst for de specifikke udfordringer, der følger.
Stadie 1: Browserstart og isolering. En frisk Chromium-instans starter med nul tilstand -- ingen cookies, ingen localStorage, ingen cache, ingen service workers. Dette er den renrumsgaranti, der gør måling før samtykke meningsfuld. Vi konfigurerer en standard viewport, realistisk user-agent og Accept-Language-headers matchende mållandet samt standardbrowserflag. Hver scanning får sin egen browserproces; der er ingen tilstandslækage mellem scanninger. Stadie 2: Navigation og snapshot før samtykke. Scanneren navigerer til mål-URL'en, venter på at siden når en stabil tilstand (netværk inaktivt, DOM afgjort) og fanger alt, hvad der er sket: cookies sat, netværksanmodninger foretaget (med fuld URL, timing og svarmetadata), tredjepartsdomæner kontaktet og et helsidesskærmbillede. Dette snapshot besvarer det grundlæggende spørgsmål: hvad gjorde denne hjemmeside, før brugeren overhovedet havde mulighed for at give samtykke? Stadie 3: CMP-detektion og banneridentifikation. Scanneren forsøger at identificere samtykkeplatformen og lokalisere samtykkebanneret, acceptknappen og afvisningsknappen. Dette bruger et lagdelt detektionssystem, der beskrives i detaljer nedenfor. Stadie 4: Samtykkeinteraktion. Scanneren interagerer med banneret -- klikker accept for standardflowet, klikker afvis for testen af afvisningsflowet. Den venter på, at siden falder til ro efter interaktion, under hensyntagen til animationer, scriptgenevaluering og forsinket tagaffyring. Stadie 5: Snapshot efter samtykke og differentiel analyse. Et andet komplet snapshot fanger tilstanden efter samtykkeinteraktion. Sammenligning af snapshots før og efter samtykke afslører, hvad der ændrede sig: nye cookies, nye sporingsanmodninger, samtykkestatus i CMP-API'er. Stadie 6: Analyse, klassifikation og rapportgenerering. Rå data fødes ind i analysemoduler: cookieklassifikation mod vores database, trackermatchning mod kendte mønstre, evaluering af cookielevetid, tilgængelighedsaudit af banneret, Google Consent Mode-validering, fingeraftryksignaldetektion og risikoscoring. Outputtet er en struktureret rapport med fund, bevismateriale og en sammensat risikoscore.Hvert stadie producerer tidsstemplet bevismateriale, der lagres varigt. Ethvert fund kan spores tilbage til specifikke netværksanmodninger, cookie-poster eller skærmbilleder.
Udfordring 1: CMP-detektion -- 45 platforme, uendelige variationer
Samtykkehåndtering er ikke standardiseret. Der er ingen universel HTML-attribut, ingen obligatorisk JavaScript-API, ingen konsistent DOM-struktur, der siger "dette er et samtykkebanner." Der er 45 distinkte CMP'er i vores detektionsbibliotek, hver med sin egen DOM-struktur, scriptsignaturer, JavaScript-globale variabler og interaktionsmønstre. Udover disse var 34,7 % af de bannere, vi detekterede i vores undersøgelse af 97.304 sider, generiske eller uidentificerede -- tilpassede implementeringer, regionale leverandører eller minimale løsninger, der ikke matcher nogen kendt CMP-signatur.
Vores detektion bruger en tillidsbaseret, lagdelt tilgang:
Lag 1: Scriptsignaturdetektion
Scanneren tjekker for tilstedeværelsen af kendte CMP-scripts efter URL-mønster og JavaScript-globale variabler. Cookiebot indlæser for eksempel fra `consent.cookiebot.com` og eksponerer `window.Cookiebot`. OneTrust indlæser fra `cdn.cookielaw.org` og eksponerer `window.OneTrust`. Hver CMP har karakteristiske indlæsningsmønstre, der kan detekteres, før man undersøger DOM'en.
Dette lag er hurtigt og har høj tillid, når det matcher. Men det har en kritisk begrænsning: det fortæller dig, hvilken CMP der er til stede på siden, ikke nødvendigvis hvilken CMP der er ansvarlig for samtykkebanneret. En side kan indlæse PiwikPRO til analyse (som inkluderer en CMP-komponent), mens den bruger tarteaucitron til faktisk samtykkehåndtering. At detektere begge scripts er let; at vide hvilken der kontrollerer banneret er sværere.
Lag 2: Verificeret selektormatchning
For hver kendt CMP vedligeholder vi et kurateret sæt CSS-selektorer, der pålideligt identificerer bannercontaineren, acceptknappen og afvisningsknappen. Disse er selektorer, vi har valideret på tværs af flere versioner og konfigurationer af hver CMP. Når en CMP detekteres i lag 1, og dens verificerede selektorer matcher elementer i DOM'en, har vi høj tillid til både CMP-identifikationen og bannerinteraktionsmålene.
Lag 3: Kompatibel selektormatchning
Et bredere sæt selektorer, der fungerer på tværs af mange versioner af en CMP, men er mindre præcise. Disse håndterer tilfælde, hvor en CMP er blevet tilpasset, tematiseret eller kører en version, der ikke er dækket af vores verificerede selektorer. De bytter præcision for dækning.
Lag 4: Generiske heuristikker
For de 34,7 % af bannere, der ikke er forbundet med en kendt CMP, falder vi tilbage til heuristisk detektion. Scanneren kigger efter:
- Fastpositionerede eller sticky-positionerede elementer nær bunden eller toppen af viewporten
- Elementer der indeholder samtykkerelaterede nøgleord på flere sprog ("cookies", "consent", "privacy", "akzeptieren", "accepter", "aceptar" osv.)
- Knapper med almindelige samtykkehandlingslabels ("Accept All", "Reject All", "Manage Preferences" og ækvivalenter)
- Strukturelle mønstre typiske for samtykkedialoger: overlay-baggrunde, modale containere, luk-knapper
Dette lag fanger mange tilpassede implementeringer, men er iboende mindre pålideligt. Et fastpositioneret kampagnebanner eller nyhedsbrevstilmelding kan ligne en samtykkedialog strukturelt.
Lag 5: CMP API-probing
Nogle CMP'er eksponerer JavaScript-API'er -- mest bemærkelsesværdigt IAB Transparency and Consent Framework (TCF) API via `__tcfapi`. Vi prober for disse API'er for både at verificere CMP-detektion og læse den programmatiske samtykkestatus, som vi senere sammenligner med observeret browseradfærd.
Tillidsmodellen
I stedet for at behandle detektion som binær (fundet/ikke fundet) tildeler vi tillidsscore baseret på, hvilke lag der matchede, og hvor stærkt. En side, hvor vi detekterer et CMP-script, matcher verificerede selektorer og finder en TCF API, får høj tillid. En side, hvor kun generiske heuristikker slog ud, får lavere tillid. Denne tillidsscore fødes ind i vores risikoklassifikation -- lavere detektionstillid betyder, at fund er mere tilbøjelige til at blive klassificeret som inkonklusive frem for definitive.
Tillidsmodellen er grunden til, at CMP-fejlidentifikation, selvom den forekommer, ikke systematisk skævvrider vores resultater. Når detektionen er tvetydig, siger vi det, i stedet for at tvinge en klassifikation.
Udfordring 2: Afvisningsflowet -- hvorfor "klik og tjek" er overraskende svært
At teste en afvisningsknap lyder simpelt: find den, klik på den, tjek om cookies er væk. I praksis er hvert trin plaget af timingproblemer, asynkron adfærd og platformspecifikke særheder.
At finde afvisningsknappen. Ikke alle afvisningsknapper er mærket "Afvis". De kan sige "Decline All", "Refuse", "Only necessary cookies", "Manage settings" (der fører til et andet lag, hvor afvisning er mulig) eller ækvivalenter på et vilkårligt antal sprog. Nogle CMP'er placerer afvisningsmuligheden på en anden visuel placering, i en anden størrelse eller i en anden farve end acceptmuligheden. Nogle skjuler den bag et "More options"- eller "Customize"-link. Vores scanner vedligeholder et flersproget sæt af afvisningshandlingsmønstre og detekterer også afvisningsmuligheder i andet lag, hvor første lag kun tilbyder accept og tilpasning. At vente på det rette øjeblik. Efter klik på afvis kan siden gennemgå betydelige ændringer: banneret forsvinder (ofte med animation), CMP'en affyrer samtykkestatuscallbacks, tag managere genevaluerer deres regler, og scripts kan blive indlæst eller fjernet. At tjekke cookies for tidligt fanger mellemtilstanden. At tjekke for sent overser forbigående sporing, der affyrer og afsluttes hurtigt. Vi bruger en multisignalventetid: netværksinaktivitet, DOM-stabilitet og et minimumsforsinkelsesgrundlag, afstemt fra empirisk testning på tværs af hundredvis af CMP-konfigurationer. Genindlæsningstesten og consent respawn. Genindlæsningstrinnet var det, der afslørede consent respawn som et fænomen. Vi satte ikke ud for at finde det -- vores oprindelige test af afvisningsflowet tjekkede kun den umiddelbare tilstand efter afvisning. Men under udviklingen bemærkede vi sider, der så rene ud efter afvisning, men havde sporingscookies, når vi tjekkede igen efter en sidegenindlæsning. Indledende fejlfinding antog et timingproblem i scanneren. Yderligere undersøgelse bekræftede, at det var virkeligt: tredjepartsscripts der gensatte cookies ved sideindlæsning uanset samtykkestatus.Vi tilføjede eksplicit respawndetektion til pipelinen: efter afvisningsflowet genindlæser scanneren siden, venter på stabilitet og sammenligner cookieoversigten med snapshot efter afvisning. Enhver cookie, der blev fjernet ved afvisning og dukker op igen efter genindlæsning, markeres som en respawn. Dette fangede 1.743 sider med 5.226 respawnende cookies -- et fund der ville have været usynligt uden genindlæsningstrinnet.
`waitForScriptIdentifiedCMP`-pollingen. Nogle CMP'er indlæser asynkront og renderer ikke deres banner, før flere sekunder efter den indledende sideindlæsning. Hvis scanneren fortsætter til afvisningstrinnet, før CMP'en er initialiseret, overser den enten banneret helt eller interagerer med en delvist indlæst brugerflade. Vi implementerede en pollingmekanisme, der venter på, at CMP'ens JavaScript-API bliver tilgængelig (f.eks. `__tcfapi` for TCF-baserede CMP'er, `Cookiebot`-global for Cookiebot), før den fortsætter. Dette tilføjer latenstid pr. scanning, men reducerer markant falske negativer fra asynkron CMP-indlæsning.Udfordring 3: Pipelinemætning i stor skala
At scanne 97.304 hjemmesider er ikke et job for en maskine. Hver scanning starter en Chromium-proces, navigerer til en hjemmeside, opfanger og klassificerer hundredvis af netværksanmodninger, tager flere skærmbilleder og kører analysemoduler. En enkelt scanning tager 30-90 sekunder afhængigt af sidens kompleksitet. Ved 15 samtidige scanninger pr. worker bliver ressourcestyring den primære tekniske bekymring.
Semaforarkitekturen
Vi bruger en semaforbaseret samtidighedsmodel til at begrænse antallet af samtidige Chromium-processer pr. worker. Hver worker har en fast semafor (15 pladser i vores produktionskonfiguration). En scanning erhverver en plads, før den starter sin browser, og frigiver den ved afslutning. Dette forhindrer hukommelsesudmattelse -- 15 Chromium-instanser med fuld anmodningsopfangning forbruger allerede betydelig RAM -- og giver modtryk mod Redis-køen.
Undtagelsen for dokumentanmodninger
Tidligt i udviklingen stødte vi på et gennemløbsproblem: vores logik til anmodningsopfangning (der inspicerer hver anmodning for SSRF-sikkerhed -- blokerer anmodninger til private IP-intervaller, interne netværk og andre potentielt farlige mål) tilføjede latenstid til hver ressourceindlæsning, inklusive hoveddokumentanmodningen. Da dokument-URL'en allerede er valideret, før scanningen begynder, tilføjede vi en hurtigvejsomgåelse: anmodninger af dokumenttype til den forvaliderede mål-URL springer den fulde opfangningspipeline over. Denne tilsyneladende lille optimering havde en betydelig indvirkning på den samlede gennemstrømning, fordi dokumentanmodningen blokerer alt andet.
DNS-forvarmning
Den første anmodning til et nyt domæne medfører et DNS-opslag, som på vores infrastruktur kunne tilføje 50-200 ms pr. domæne. Med det gennemsnitlige site, der kontakter 10,4 tredjepartsdomæner (og nogle op til 171), akkumulerede DNS-opløsningstiden sig betydeligt. Vi implementerede DNS-forvarmning ved hjælp af en lokal Unbound DNS-resolvercache: før hver scanning opløser vi måldomænet og varmer cachen. Unbound-instansen serverer cachede svar for efterfølgende opslag inden for scanningen, hvilket reducerer DNS-overhead pr. domæne til under et millisekund.
SSRF-sikkerhed i stor skala
Hver anmodning opfanget af scanneren kontrolleres mod et sæt sikkerhedsregler, før den tillades at fortsætte. Anmodninger til private IP-intervaller (RFC 1918, RFC 4193, link-local, loopback) blokeres. Dette forhindrer en ondsindet målside i at bruge scanneren som en SSRF-vektor til at probe interne netværk.
Udfordringen i stor skala var at skelne ægte SSRF-blokeringer fra semaforsaturation. Når alle 15 semaforpladser er i brug, og en scanning ikke kan erhverve en plads, ligner den resulterende timeout overfladisk en anmodning, der blokeres af sikkerhedshensyn. Vi tilføjede eksplicit fejlkategorisering for at skelne "blokeret fordi målet opløste til en privat IP" fra "blokeret fordi scanneren er på kapacitet." Dette var essentielt for driftsovervågning og for præcis klassifikation af scanningsfejl.
Udfordring 4: Detektion af botundvigelse
Under undersøgelsen identificerede vi 137 hjemmesider, der tilsyneladende bevidst skjuler deres samtykkebanner for automatiserede scannere. Banneret vises til menneskelige besøgende, men undertrykkes, når siden detekterer kendetegn ved automatiseret browsing.
Den mest almindelige mekanisme, vi identificerede, involverer RCB (Real Cookie Banner) WordPress-pluginnets `isAcceptAllForBots`-konfigurationsindstilling. Når den er aktiveret, detekterer denne indstilling automatiserede browsere (via `navigator.webdriver`, user-agent-heuristikker eller adfærdssignaler) og enten automatisk accepterer samtykke på deres vegne eller skjuler banneret helt. Intentionen, som dokumenteret af pluginnet, er at forhindre automatiserede besøgende i at blive præsenteret for en samtykkedialog, de ikke meningsfuldt kan interagere med. Effekten er, at compliancescannere -- og tilsynsmyndigheder, der bruger automatiserede værktøjer -- ser en side, der tilsyneladende ikke har nogen samtykkemekanisme, mens menneskelige besøgende ser et fuldt samtykkebanner.
Dette er et gennemsigtighedsproblem. Hvis en hjemmesides samtykkemekanisme kun er synlig for menneskelige besøgende, kan den ikke auditeres i stor skala. Vi markerer disse sider separat i vores resultater, fordi fundet er kvalitativt anderledes end "intet banner detekteret." Siden har et banner; den vælger at skjule det for os.
Vi detekterer botundvigelse gennem en kombination af signaler: tilstedeværelsen af kendt botdetektionskonfiguration i CMP-indstillinger (tilgængelig via JavaScript-inspektion), uoverensstemmelser mellem hvad DOM'en viser og hvad CMP'ens API rapporterer, og i nogle tilfælde ved at sammenligne automatiserede scanningsresultater med manuel verifikation.
Tallet 137 er bestemt et underestimat. Vi kan kun detektere botundvigelse, når vi kan identificere mekanismen. Sider, der bruger mere sofistikeret eller tilpasset botdetektion, kan med succes undvige både vores scanner og vores undvigelsesdetektion.
Udfordring 5: CMP-fejlidentifikation
En side kan indlæse flere scripts, der ligner samtykkeplatforme. PiwikPRO inkluderer en CMP-komponent, men er primært en analysesuite. Nogle WordPress-sider indlæser Complianz sammen med et separat analyseplugin, der har CMP-lignende funktioner. Enterprise-sider kan have rester af en tidligere CMP, der stadig indlæser ved siden af den nuværende.
Naiv detektion -- "hvis vi ser scriptet, er det CMP'en" -- producerer fejlidentifikationer, der kaskaderer til forkert bannerinteraktion. Hvis scanneren identificerer PiwikPRO som CMP'en og forsøger at bruge PiwikPRO's bannerselektorer, kan den overse det faktiske tarteaucitron-banner, der kontrollerer samtykke på siden.
Vores tillidsbaserede tilgang adresserer dette ved at rangere CMP-kandidater. Når flere potentielle CMP'er detekteres:
1. Vi tjekker, hvilken der har et synligt banner i DOM'en (script til stede men intet banner betyder sandsynligvis inaktiv eller ikke-CMP-brug).
2. Vi tjekker, hvilken der eksponerer en aktiv CMP-API (f.eks. en fungerende `__tcfapi` eller tilsvarende).
3. Vi foretrækker den CMP, hvis verificerede selektorer matcher synlige DOM-elementer, frem for den, der kun detekteres af script-URL.
Denne heuristik er ikke perfekt, men den løste de mest almindelige tilfælde af fejlidentifikation, vi stødte på under udvikling og testning.
Begrænsninger
Ingen automatiseret scanner replikerer perfekt enhver menneskelig browsingoplevelse. Dette er de kendte begrænsninger:
GeoIP-afhængige bannere. Nogle CMP'er, bemærkelsesværdigt CookieYes, serverer forskellige samtykkeoplevelser baseret på besøgendes IP-geolokation. Vores scanninger stammer fra specifikke netværksplaceringer i Europa. En side, der viser et samtykkebanner til besøgende fra Frankrig, men ikke til besøgende uden for EU, vil vise forskellige resultater afhængigt af scanningens oprindelse. Vi scanner i øjeblikket ikke hver side fra hvert EU-land. Lukket shadow DOM. Nogle CMP'er renderer deres banner inde i en lukket shadow DOM, som er utilgængelig for standard DOM-forespørgsler via `document.querySelector`. Transcends CMP bruger denne tilgang. Vores scanner kan detektere shadow host-elementet, men kan ikke inspicere dets indhold for at finde accept-/afvisningsknapper. Disse sider ender typisk som inkonklusive i vores resultater. Dynamiske klassenavne og obfuskering. Nogle CMP'er, bemærkelsesværdigt Admiral, bruger dynamisk genererede klassenavne, der ændrer sig ved hver sideindlæsning. Selektorbaseret detektion fejler for disse, fordi selektorerne ikke er stabile på tværs af besøg. Vi falder tilbage til generiske heuristikker, men tilliden er lavere. Single-page applications. SPA'er, der håndterer samtykkestatus helt i client-side JavaScript og indlæser samtykkemekanismen efter indledende ruteændringer (i stedet for ved indledende sideindlæsning), er sværere at vurdere. Vores scanner navigerer til URL'en og venter på, at siden stabiliserer sig, men den simulerer ikke in-app-navigation. Et samtykkebanner, der kun vises, efter brugeren navigerer inden for SPA'en, kan blive overset. Sprogdækning. Vores detektion af afvisningsknapper bruger tekstmatchning på tværs af et sæt understøttede sprog, men vi dækker ikke alle EU-sprog lige godt. Et banner på maltesisk eller estisk kan have afvisningsknaplabels, som vores tekstmatchning ikke genkender, hvilket fører til en misset test af afvisningsflow (selvom selve banneret stadig kan detekteres af strukturelle heuristikker). Timing-grænsetilfælde. Et script, der affyrer 30 sekunder efter sideindlæsning, vil blive overset af en scanning, der venter 15 sekunder på netværksinaktivitet. Vi bruger generøse timeouts, men den lange hale af asynkron adfærd er iboende vanskelig at fange fuldstændigt.Disse begrænsninger bidrager til vores inkonklusive rate på 14,9 %.
Infrastrukturen
Produktionsscanninginfrastrukturen består af:
- Scanningmotor: En Go-applikation, der bruger chromedp som CDP-klient til Chromium-automatisering. Go blev valgt for sin samtidighedsmodel (goroutines og channels mapper naturligt på parallel scanningorkestrering), sine ydelseskarakteristika og sin enkelhed i deployment (enkelt statisk binær).
- Browserruntime: Headless Chromium startet pr. scanning via CDP. Hver scanning får en frisk browserproces med nul delt tilstand.
- Kø: Redis-backed arbejdskø, der distribuerer URL'er til scannerworkere. Redis håndterer jobdistribution, fremdriftssporing og hastighedsbegrænsning.
- Database: PostgreSQL til varig lagring af scanningsresultater, fund, bevismetadata og alle strukturerede data. Scanninger, fund, cookies, anmodninger og analyseoutputs lagres alle relationelt.
- DNS-cache: Lokal Unbound-resolver, der leverer cachede DNS-opslag og SSRF-sikker opløsning.
- Bevislagring: Skærmbilleder, HAR-filer og PDF-rapporter lagres som varige artefakter knyttet til scanningsposter.
For undersøgelsen af 97.304 sider behandlede vi 114.748 kandidat-URL'er (97.304 gennemført med succes) over cirka 2,5 dage ved brug af 3 serverinstanser, der kørte scannerworkere parallelt. Hver server kørte flere workerprocesser med 15 samtidige scanningspladser hver. Spidsgennemstrømningen var ca. 25-30 afsluttede scanninger pr. minut pr. server.
Den primære flaskehals var ikke CPU eller hukommelse, men netværk: hver scanning genererer hundredvis af udgående anmodninger (til målsiden og dens tredjepartsressourcer), og den samlede båndbredde og forbindelsesantal på tværs af alle samtidige scanninger mættede den tilgængelige netværkskapacitet, før andre ressourcer var opbrugt.
Åbne udfordringer og fremtidigt arbejde
Flere problemer forbliver uløste eller delvist løste:
Lokalisering af samtykkebannere. Vores tekstmatchning dækker store EU-sprog, men er ufuldstændig for mindre sprogfællesskaber. Udvidelse af dækningen kræver ikke kun tilføjelse af oversættelser, men validering af, at selektorerne og interaktionsmønstrene fungerer korrekt med lokaliserede CMP-versioner. Longitudinel overvågning. Vores nuværende arkitektur er optimeret til scanning på et enkelt tidspunkt. At detektere ændringer i samtykkeadfærd over tid -- forbedrede en side sig efter håndhævelse? Rettede en CMP-opdatering en klasse af fejl i afvisningsflow? -- kræver gentagne scanninger med differentiel analyse, hvilket er arkitektonisk anderledes end engangsvurdering. CMP-compliancebenchmarking. Vi har dataene til at vurdere compliancerater pr. CMP (er Cookiebot forbundet med bedre compliance end OneTrust?), men at adskille CMP-kvalitet fra sideoperatørens konfigurationskvalitet er metodologisk komplekst. En CMP, der oftere er installeret af store virksomheder med dedikerede privatlivsteams, vil se bedre ud samlet set, selvom selve værktøjet ikke er mere compliant. Realtidsverifikation af samtykkestatus. Den nuværende scanner opererer i batchtilstand. At integrere samtykkeverifikation i CI/CD-pipelines eller realtidsovervågning kræver en hurtigere, lettere scanningstilstand, der ofrer noget bevisdybde for hastighed. Vi udforsker dette.API'en
Den samme scanningmotor beskrevet i dette indlæg er tilgængelig gennem GDPR Monitors offentlige API. Du kan indsende scanningsanmodninger programmatisk, polle efter resultater og hente strukturerede fund og bevisartefakter. API'en returnerer de samme data, som vores UI viser: snapshots før samtykke, cookieoversigter, CMP-detektionsresultater, resultater af afvisningsflow, risikoscorer og komplette beviskæder.
Hvis du bygger complianceværktøjer, integrerer privatlivstjek i CI/CD-pipelines, udfører din egen forskning eller bygger overvågning ind i et privatlivsprogram, giver API'en adgang til adfærdsmæssig samtykkeanalyse uden behovet for at bygge og vedligeholde din egen Chromium-automatiseringsinfrastruktur.
Prøv det selv. API-dokumentation er tilgængelig på gdprprivacymonitor.eu/developers/api. Indsend en enkelt URL eller integrer automatiseret privatlivsovervågning i din arbejdsgang.
Tjek din hjemmeside
Kør en gratis GDPR-overholdelsesscanning - ingen tilmelding nødvendig.
Scan din hjemmeside gratis