Saltar al contenido

Técnico

Cómo construimos un sistema que analiza 100.000 sitios web en busca de infracciones del consentimiento de cookies

GDPR Privacy Monitor Engineering · 2026-04-13 · 7 min lectura

Corregido el 21/10/2026: Las cifras de reaparición se volvieron a medir a partir de los resultados de escaneo almacenados y se corrigieron de 1.642 sitios / 4.932 cookies a 1.743 sitios / 5.226 cookies.

La verificación automatizada del cumplimiento en materia de consentimiento parece sencilla hasta que se intenta construir. El enfoque ingenuo -- cargar una página, buscar cookies, buscar un banner -- pasa por alto la mayor parte de lo que importa. Las infracciones de consentimiento son de comportamiento, no estructurales. Se manifiestan en el momento en que se ejecutan los scripts, en la secuencia de solicitudes de red, en la respuesta de los elementos de la interfaz a la interacción del usuario y en la persistencia del estado entre cargas de página. Nada de esto puede evaluarse sin ejecutar un navegador real, interactuar con la página como lo haría una persona y registrar lo que realmente ocurre a nivel de red.

Este artículo describe cómo construimos el motor de escaneo de GDPR Monitor, los desafíos de ingeniería que consumieron la mayor parte de nuestro tiempo, las decisiones de arquitectura que tomamos y por qué, y las limitaciones que reconocemos abiertamente. Si trabaja en cumplimiento web, automatización de navegadores o medición web a gran escala, debería encontrar aquí algo útil.

Visión general del pipeline

Cada escaneo pasa por seis etapas. Entender el pipeline es el contexto necesario para los desafíos concretos que se describen a continuación.

Etapa 1: Lanzamiento y aislamiento del navegador. Una instancia nueva de Chromium arranca sin ningún estado -- sin cookies, sin localStorage, sin caché, sin service workers. Esta es la garantía de "sala limpia" que da sentido a la medición pre-consentimiento. Configuramos un viewport estándar, encabezados User-Agent y Accept-Language realistas acordes con el país objetivo y flags de navegador estándar. Cada escaneo obtiene su propio proceso de navegador; no hay fuga de estado entre escaneos. Etapa 2: Navegación y captura pre-consentimiento. El escáner navega a la URL objetivo, espera a que la página alcance un estado estable (red inactiva, DOM estabilizado) y registra todo lo que ha ocurrido: cookies establecidas, solicitudes de red realizadas (con URL completa, tiempos y metadatos de respuesta), dominios de terceros contactados y una captura de pantalla de la página completa. Esta captura responde a la pregunta fundamental: ¿qué hizo este sitio web antes de que el usuario tuviera ninguna oportunidad de dar su consentimiento? Etapa 3: Detección del CMP e identificación del banner. El escáner intenta identificar la plataforma de gestión de consentimiento y localizar el banner de consentimiento, el botón de aceptar y el botón de rechazar. Para ello utiliza un sistema de detección por capas que se describe en detalle más abajo. Etapa 4: Interacción con el consentimiento. El escáner interactúa con el banner -- hace clic en aceptar para el flujo estándar y en rechazar para la prueba del flujo de rechazo. Espera a que la página se estabilice tras la interacción, teniendo en cuenta animaciones, la reevaluación de scripts y el disparo diferido de etiquetas. Etapa 5: Captura post-consentimiento y análisis diferencial. Una segunda captura completa registra el estado tras la interacción con el consentimiento. Comparar las capturas pre-consentimiento y post-consentimiento revela qué ha cambiado: nuevas cookies, nuevas solicitudes de rastreo, el estado de consentimiento en las APIs del CMP. Etapa 6: Análisis, clasificación y generación del informe. Los datos brutos alimentan los módulos de análisis: clasificación de cookies con nuestra base de datos, comparación de rastreadores con patrones conocidos, evaluación de la duración de las cookies, auditoría de accesibilidad del banner, validación de Google Consent Mode, detección de señales de fingerprinting y puntuación de riesgo. El resultado es un informe estructurado con hallazgos, artefactos de evidencia y una puntuación de riesgo compuesta.

Cada etapa produce evidencia con marca de tiempo que se almacena de forma duradera. Cualquier hallazgo puede rastrearse hasta solicitudes de red, entradas de cookies o capturas de pantalla concretas.

Desafío 1: Detección del CMP -- 45 plataformas, variaciones infinitas

La gestión del consentimiento no está estandarizada. No existe un atributo HTML universal, ni una API JavaScript obligatoria, ni una estructura DOM uniforme que diga "esto es un banner de consentimiento". Nuestra biblioteca de detección incluye 45 CMP distintos, cada uno con su propia estructura DOM, firmas de script, variables globales de JavaScript y patrones de interacción. Además, el 34,7% de los banners que detectamos en nuestro estudio de 97.304 sitios eran genéricos o no identificados -- implementaciones propias, proveedores regionales o soluciones mínimas que no coinciden con ninguna firma de CMP conocida.

Nuestra detección utiliza un enfoque por capas basado en la confianza:

Capa 1: Detección de firmas de script

El escáner comprueba la presencia de scripts de CMP conocidos mediante patrones de URL y variables globales de JavaScript. Cookiebot, por ejemplo, se carga desde `consent.cookiebot.com` y expone `window.Cookiebot`. OneTrust se carga desde `cdn.cookielaw.org` y expone `window.OneTrust`. Cada CMP tiene patrones de carga característicos que pueden detectarse antes de examinar el DOM.

Esta capa es rápida y ofrece una confianza alta cuando hay coincidencia. Pero tiene una limitación crítica: indica qué CMP está presente en la página, no necesariamente qué CMP es responsable del banner de consentimiento. Un sitio puede cargar PiwikPRO para analítica (que incluye un componente de CMP) mientras utiliza tarteaucitron para la gestión real del consentimiento. Detectar ambos scripts es fácil; saber cuál controla el banner es más difícil.

Capa 2: Coincidencia de selectores verificados

Para cada CMP conocido mantenemos un conjunto seleccionado de selectores CSS que identifican de forma fiable el contenedor del banner, el botón de aceptar y el botón de rechazar. Son selectores que hemos validado en múltiples versiones y configuraciones de cada CMP. Cuando la Capa 1 detecta un CMP y sus selectores verificados coinciden con elementos del DOM, tenemos una confianza alta tanto en la identificación del CMP como en los elementos con los que interactuar en el banner.

Capa 3: Coincidencia de selectores compatibles

Un conjunto más amplio de selectores que funcionan en muchas versiones de un CMP, pero con menos precisión. Cubren los casos en que un CMP ha sido personalizado, se le ha aplicado un tema o ejecuta una versión que nuestros selectores verificados no cubren. Sacrifican precisión a cambio de cobertura.

Capa 4: Heurísticas genéricas

Para el 34,7% de los banners no asociados a un CMP conocido, recurrimos a la detección heurística. El escáner busca:

  • Elementos con posición fija o sticky cerca de la parte inferior o superior del viewport
  • Elementos que contienen palabras clave relacionadas con el consentimiento en varios idiomas ("cookies", "consent", "privacy", "akzeptieren", "accepter", "aceptar", etc.)
  • Botones con etiquetas habituales de acciones de consentimiento ("Aceptar todo", "Rechazar todo", "Gestionar preferencias" y sus equivalentes)
  • Patrones estructurales típicos de los diálogos de consentimiento: fondos superpuestos, contenedores modales, botones de cierre

Esta capa detecta muchas implementaciones propias, pero es intrínsecamente menos fiable. Un banner promocional con posición fija o un formulario de suscripción a un boletín pueden parecerse estructuralmente a un diálogo de consentimiento.

Capa 5: Sondeo de la API del CMP

Algunos CMP exponen APIs JavaScript -- en particular, la API del Transparency and Consent Framework (TCF) de IAB mediante `__tcfapi`. Sondeamos estas APIs tanto para verificar la detección del CMP como para leer el estado de consentimiento programático, que después comparamos con el comportamiento observado en el navegador.

El modelo de confianza

En lugar de tratar la detección como algo binario (encontrado/no encontrado), asignamos puntuaciones de confianza según qué capas coincidieron y con qué fuerza. Un sitio en el que detectamos un script de CMP, coinciden los selectores verificados y encontramos una API TCF obtiene una confianza alta. Un sitio en el que solo se activaron las heurísticas genéricas obtiene una confianza menor. Esta puntuación de confianza alimenta nuestra clasificación de riesgo -- una menor confianza en la detección hace más probable que los hallazgos se clasifiquen como no concluyentes en lugar de definitivos.

El modelo de confianza es la razón por la que la identificación errónea de CMP, aunque se produce, no sesga sistemáticamente nuestros resultados. Cuando la detección es ambigua, lo indicamos en lugar de forzar una clasificación.

Desafío 2: El flujo de rechazo -- Por qué "hacer clic y comprobar" es sorprendentemente difícil

Probar un botón de rechazo parece sencillo: encontrarlo, hacer clic y comprobar si las cookies han desaparecido. En la práctica, cada paso está plagado de problemas de sincronización, comportamiento asíncrono y particularidades de cada plataforma.

Encontrar el botón de rechazo. No todos los botones de rechazo dicen "Rechazar". Pueden decir "Declinar todo", "Rehusar", "Solo cookies necesarias", "Gestionar configuración" (que lleva a una segunda capa donde es posible rechazar) o sus equivalentes en cualquiera de decenas de idiomas. Algunos CMP colocan la opción de rechazo en otra posición visual, con otro tamaño o con otro color que la opción de aceptar. Otros la ocultan tras un enlace "Más opciones" o "Personalizar". Nuestro escáner mantiene un conjunto multilingüe de patrones de acciones de rechazo y también detecta opciones de rechazo en segunda capa cuando la primera solo ofrece aceptar y personalizar. Esperar el momento adecuado. Tras hacer clic en rechazar, la página puede sufrir cambios importantes: el banner se cierra (a menudo con una animación), el CMP ejecuta callbacks de estado de consentimiento, los gestores de etiquetas reevalúan sus reglas y pueden cargarse o descargarse scripts. Comprobar las cookies demasiado pronto capta un estado intermedio de la transición. Comprobarlas demasiado tarde pasa por alto rastreos transitorios que se disparan y terminan rápidamente. Utilizamos una espera con múltiples señales: red inactiva, estabilidad del DOM y un retardo mínimo, ajustados a partir de pruebas empíricas en cientos de configuraciones de CMP. La prueba de recarga y la reaparición del consentimiento. El paso de recarga es lo que reveló la reaparición del consentimiento como fenómeno. No nos propusimos encontrarla -- nuestra prueba original del flujo de rechazo solo comprobaba el estado inmediatamente posterior al rechazo. Pero durante el desarrollo observamos sitios que parecían limpios tras el rechazo y que, sin embargo, tenían cookies de rastreo cuando volvíamos a comprobarlos tras recargar la página. La depuración inicial supuso un problema de sincronización del escáner. Una investigación más a fondo confirmó que era real: scripts de terceros que volvían a establecer cookies al cargar la página, con independencia del estado del consentimiento.

Añadimos al pipeline una detección explícita de la reaparición: tras el flujo de rechazo, el escáner recarga la página, espera a que se estabilice y compara el inventario de cookies con la captura posterior al rechazo. Cualquier cookie que el rechazo eliminó y que reaparece tras la recarga se marca como reaparición. Así detectamos 1.743 sitios con 5.226 cookies que reaparecían -- un hallazgo que habría pasado inadvertido sin el paso de recarga.

El sondeo `waitForScriptIdentifiedCMP`. Algunos CMP se cargan de forma asíncrona y no muestran su banner hasta varios segundos después de la carga inicial de la página. Si el escáner pasa al paso de rechazo antes de que el CMP se haya inicializado, o bien no detecta el banner en absoluto, o bien interactúa con una interfaz cargada solo en parte. Implementamos un mecanismo de sondeo que espera a que la API JavaScript del CMP esté disponible (por ejemplo, `__tcfapi` en los CMP basados en TCF o la variable global `Cookiebot` en Cookiebot) antes de continuar. Esto añade latencia a cada escaneo, pero reduce considerablemente los falsos negativos causados por la carga asíncrona del CMP.

Desafío 3: Saturación del pipeline a escala

Escanear 97.304 sitios web no es trabajo para una sola máquina. Cada escaneo lanza un proceso de Chromium, navega a un sitio web, intercepta y clasifica cientos de solicitudes de red, toma varias capturas de pantalla y ejecuta los módulos de análisis. Un solo escaneo tarda entre 30 y 90 segundos según la complejidad del sitio. Con 15 escaneos simultáneos por worker, la gestión de recursos se convierte en la principal preocupación de ingeniería.

La arquitectura de semáforos

Utilizamos un modelo de concurrencia basado en semáforos para limitar el número de procesos de Chromium simultáneos por worker. Cada worker tiene un semáforo fijo (15 slots en nuestra configuración de producción). Un escaneo adquiere un slot antes de lanzar su navegador y lo libera al terminar. Esto evita el agotamiento de la memoria -- 15 instancias de Chromium con interceptación completa de solicitudes ya consumen una cantidad considerable de RAM -- y proporciona contrapresión frente a la cola de Redis.

La exención de la solicitud del documento

Al principio del desarrollo nos encontramos con un problema de rendimiento: nuestra lógica de interceptación de solicitudes (que inspecciona cada solicitud por seguridad frente a SSRF, bloqueando solicitudes a rangos de IP privados, redes internas y otros destinos potencialmente peligrosos) añadía latencia a la carga de cada recurso, incluida la solicitud del documento principal. Como la URL del documento ya se ha validado antes de que empiece el escaneo, añadimos una vía rápida: las solicitudes de tipo documento a la URL objetivo previamente validada se saltan el pipeline completo de interceptación. Esta optimización, aparentemente pequeña, tuvo un impacto significativo en el rendimiento global, porque la solicitud del documento bloquea todo lo demás.

Precalentamiento de DNS

La primera solicitud a un dominio nuevo implica una consulta DNS, que en nuestra infraestructura podía añadir entre 50 y 200 ms por dominio. Dado que el sitio medio contacta con 10,4 dominios de terceros (y algunos con hasta 171), el tiempo de resolución DNS se acumulaba de forma considerable. Implementamos el precalentamiento de DNS con la caché de un resolvedor DNS local Unbound: antes de cada escaneo resolvemos el dominio objetivo y precalentamos la caché. La instancia de Unbound sirve respuestas en caché para las consultas posteriores dentro del escaneo, lo que reduce la sobrecarga DNS por dominio a menos de un milisegundo.

Seguridad frente a SSRF a escala

Cada solicitud interceptada por el escáner se comprueba con un conjunto de reglas de seguridad antes de permitir que continúe. Se bloquean las solicitudes a rangos de IP privados (RFC 1918, RFC 4193, link-local, loopback). Esto impide que un sitio objetivo malicioso utilice el escáner como vector de SSRF para sondear redes internas.

El desafío a escala era distinguir los bloqueos SSRF genuinos de la saturación de semáforos. Cuando los 15 slots del semáforo están ocupados y un escaneo no puede adquirir uno, el timeout resultante se parece superficialmente a una solicitud bloqueada por motivos de seguridad. Añadimos una categorización explícita de errores para distinguir "bloqueado porque el destino se resolvió a una IP privada" de "bloqueado porque el escáner está al límite de su capacidad". Esto fue esencial para la monitorización operativa y para clasificar con precisión los escaneos fallidos.

Desafío 4: Detección de la evasión de bots

Durante el estudio identificamos 137 sitios web que parecen ocultar deliberadamente su banner de consentimiento a los escáneres automatizados. El banner se muestra a los visitantes humanos, pero se suprime cuando el sitio detecta características de navegación automatizada.

El mecanismo más común que identificamos es la opción de configuración `isAcceptAllForBots` del plugin de WordPress RCB (Real Cookie Banner). Cuando está activada, esta opción detecta navegadores automatizados (mediante `navigator.webdriver`, heurísticas de user-agent o señales de comportamiento) y, o bien acepta automáticamente el consentimiento en su nombre, o bien oculta el banner por completo. La intención, según la documentación del plugin, es evitar que a los visitantes automatizados se les muestre un diálogo de consentimiento con el que no pueden interactuar de forma significativa. El efecto es que los escáneres de cumplimiento -- y los auditores reguladores que utilizan herramientas automatizadas -- ven un sitio que parece no tener ningún mecanismo de consentimiento, mientras que los visitantes humanos ven un banner de consentimiento completo.

Se trata de un problema de transparencia. Si el mecanismo de consentimiento de un sitio web solo es visible para los visitantes humanos, no puede auditarse a escala. Señalamos estos sitios por separado en nuestros resultados porque el hallazgo es cualitativamente distinto de "no se detectó banner". El sitio tiene un banner; simplemente elige no mostrárnoslo.

Detectamos la evasión de bots mediante una combinación de señales: la presencia de configuraciones conocidas de detección de bots en los ajustes del CMP (accesibles mediante inspección de JavaScript), discrepancias entre lo que muestra el DOM y lo que informa la API del CMP y, en algunos casos, la comparación de los resultados del escaneo automatizado con una verificación manual.

La cifra de 137 es sin duda una subestimación. Solo podemos detectar la evasión de bots cuando somos capaces de identificar el mecanismo. Los sitios que utilizan una detección de bots más sofisticada o propia pueden eludir con éxito tanto nuestro escáner como nuestra detección de evasión.

Desafío 5: Identificación errónea del CMP

Un sitio puede cargar varios scripts que parecen plataformas de gestión de consentimiento. PiwikPRO incluye un componente de CMP, pero es principalmente una suite de analítica. Algunos sitios WordPress cargan Complianz junto con otro plugin de analítica que tiene funciones similares a las de un CMP. Los sitios corporativos pueden conservar restos de un CMP anterior que se sigue cargando junto al actual.

La detección ingenua -- "si vemos el script, ese es el CMP" -- produce identificaciones erróneas que derivan en una interacción incorrecta con el banner. Si el escáner identifica PiwikPRO como el CMP e intenta usar los selectores de banner de PiwikPRO, puede no encontrar el banner real de tarteaucitron que controla el consentimiento en el sitio.

Nuestro enfoque basado en la confianza resuelve esto clasificando a los CMP candidatos. Cuando se detectan varios CMP potenciales:

1. Comprobamos cuál tiene un banner visible en el DOM (un script presente sin banner indica probablemente un uso inactivo o ajeno al CMP).

2. Comprobamos cuál expone una API de CMP activa (por ejemplo, una `__tcfapi` funcional o equivalente).

3. Preferimos el CMP cuyos selectores verificados coinciden con elementos visibles del DOM frente al que solo se detecta por la URL del script.

Esta heurística no es perfecta, pero resolvió los casos más comunes de identificación errónea que encontramos durante el desarrollo y las pruebas.

Limitaciones

Ningún escáner automatizado reproduce a la perfección todas las experiencias de navegación humana. Estas son las limitaciones conocidas:

Banners dependientes de GeoIP. Algunos CMP, en particular CookieYes, ofrecen experiencias de consentimiento distintas según la geolocalización de la IP del visitante. Nuestros escaneos se originan desde ubicaciones de red concretas en Europa. Un sitio que muestra un banner de consentimiento a los visitantes de Francia pero no a los de fuera de la UE dará resultados distintos según el origen del escaneo. Actualmente no escaneamos cada sitio desde todos los países de la UE. Shadow DOM cerrado. Algunos CMP renderizan su banner dentro de un shadow DOM cerrado, inaccesible para las consultas DOM estándar mediante `document.querySelector`. El CMP de Transcend utiliza este enfoque. Nuestro escáner puede detectar el elemento host del shadow DOM, pero no puede inspeccionar su contenido para encontrar los botones de aceptar/rechazar. Estos sitios suelen acabar como no concluyentes en nuestros resultados. Nombres de clase dinámicos y ofuscación. Algunos CMP, en particular Admiral, utilizan nombres de clase generados dinámicamente que cambian en cada carga de página. La detección basada en selectores falla en estos casos porque los selectores no son estables entre visitas. Recurrimos a las heurísticas genéricas, pero con menor confianza. Aplicaciones de página única. Las SPA que gestionan el estado del consentimiento íntegramente en JavaScript del lado del cliente y cargan el mecanismo de consentimiento tras los cambios de ruta iniciales (en lugar de en la carga inicial de la página) son más difíciles de evaluar. Nuestro escáner navega a la URL y espera a que la página se estabilice, pero no simula la navegación dentro de la aplicación. Un banner de consentimiento que solo aparece cuando el usuario navega dentro de la SPA puede pasar inadvertido. Cobertura de idiomas. Nuestra detección de botones de rechazo utiliza coincidencia de texto en un conjunto de idiomas compatibles, pero no cubrimos todos los idiomas de la UE por igual. Un banner en maltés o estonio puede tener etiquetas del botón de rechazo que nuestra coincidencia de texto no reconoce, lo que hace que la prueba del flujo de rechazo falle (aunque el propio banner aún pueda detectarse mediante heurísticas estructurales). Casos límite de sincronización. Un script que se dispara 30 segundos después de la carga de la página pasará inadvertido en un escaneo que espera 15 segundos a que la red quede inactiva. Usamos tiempos de espera generosos, pero la larga cola del comportamiento asíncrono es intrínsecamente difícil de capturar por completo.

Estas limitaciones contribuyen a nuestra tasa del 14,9% de resultados no concluyentes.

La infraestructura

La infraestructura de escaneo en producción consta de:

  • Motor de escaneo: Una aplicación en Go que utiliza chromedp como cliente CDP para automatizar Chromium. Elegimos Go por su modelo de concurrencia (las goroutines y los canales se ajustan de forma natural a la orquestación de escaneos en paralelo), sus características de rendimiento y su sencillez de despliegue (un único binario estático).
  • Runtime del navegador: Chromium headless lanzado por escaneo mediante CDP. Cada escaneo obtiene un proceso de navegador nuevo sin ningún estado compartido.
  • Cola: Cola de trabajos basada en Redis que distribuye las URLs entre los workers del escáner. Redis se encarga de la distribución de trabajos, el seguimiento del progreso y la limitación de velocidad.
  • Base de datos: PostgreSQL para los resultados de escaneo duraderos, los hallazgos, los metadatos de evidencia y todos los datos estructurados. Escaneos, hallazgos, cookies, solicitudes y resultados de análisis se almacenan de forma relacional.
  • Caché DNS: Resolvedor local Unbound que proporciona consultas DNS en caché y una resolución segura frente a SSRF.
  • Almacenamiento de evidencia: Las capturas de pantalla, los archivos HAR y los informes PDF se almacenan como artefactos duraderos vinculados a los registros de escaneo.

Para el estudio de 97.304 sitios procesamos 114.748 URLs candidatas (97.304 completadas con éxito) durante aproximadamente 2,5 días, con 3 instancias de servidor que ejecutaban workers del escáner en paralelo. Cada servidor ejecutaba varios procesos worker con 15 slots de escaneo simultáneos cada uno. El rendimiento máximo fue de aproximadamente 25-30 escaneos completados por minuto y servidor.

El principal cuello de botella no fue la CPU ni la memoria, sino la red: cada escaneo genera cientos de solicitudes salientes (al sitio objetivo y a sus recursos de terceros), y el ancho de banda y el número de conexiones agregados de todos los escaneos simultáneos saturaron la capacidad de red disponible antes de que se agotaran los demás recursos.

Desafíos abiertos y trabajo futuro

Varios problemas siguen sin resolverse o solo se han resuelto en parte:

Localización de los banners de consentimiento. Nuestra coincidencia de texto cubre los principales idiomas de la UE, pero es incompleta para las comunidades lingüísticas más pequeñas. Ampliar la cobertura no solo exige añadir traducciones, sino también validar que los selectores y los patrones de interacción funcionen correctamente con las versiones localizadas de los CMP. Monitorización longitudinal. Nuestra arquitectura actual está optimizada para escaneos puntuales. Detectar cambios en el comportamiento de consentimiento a lo largo del tiempo -- ¿mejoró un sitio tras una actuación sancionadora? ¿Corrigió una actualización de un CMP un tipo de fallos del flujo de rechazo? -- requiere escaneos repetidos con análisis diferencial, lo que desde el punto de vista arquitectónico es distinto de una evaluación puntual. Benchmarking del cumplimiento por CMP. Disponemos de los datos para evaluar las tasas de cumplimiento por CMP (¿se asocia Cookiebot a un mejor cumplimiento que OneTrust?), pero separar la calidad del CMP de la calidad de la configuración del operador del sitio es metodológicamente complejo. Un CMP que despliegan con más frecuencia grandes empresas con equipos de privacidad dedicados parecerá mejor en el agregado aunque la herramienta en sí no favorezca más el cumplimiento. Verificación del estado de consentimiento en tiempo real. El escáner actual funciona por lotes. Integrar la verificación del consentimiento en pipelines de CI/CD o en una monitorización en tiempo real requiere un modo de escaneo más rápido y ligero que sacrifique parte de la profundidad de la evidencia a cambio de velocidad. Lo estamos explorando.

La API

El mismo motor de escaneo descrito en este artículo está disponible a través de la API pública de GDPR Monitor. Puede enviar solicitudes de escaneo de forma programática, consultar los resultados y obtener hallazgos estructurados y artefactos de evidencia. La API devuelve los mismos datos que muestra nuestra interfaz: capturas pre-consentimiento, inventarios de cookies, resultados de detección del CMP, resultados del flujo de rechazo, puntuaciones de riesgo y cadenas de evidencia completas.

Si está creando herramientas de cumplimiento, integrando comprobaciones de privacidad en pipelines de CI/CD, realizando su propia investigación o incorporando la monitorización a un programa de privacidad, la API le da acceso al análisis del consentimiento basado en el comportamiento sin necesidad de construir y mantener su propia infraestructura de automatización de Chromium.


Pruébelo usted mismo. La documentación de la API está disponible en gdprprivacymonitor.eu/developers/api. Envíe una sola URL o integre la monitorización automatizada de la privacidad en su flujo de trabajo.

Compruebe su sitio web

Ejecuta un análisis gratuito de cumplimiento del RGPD - sin registro.

Escanee su sitio web gratis