Ir para o conteúdo

Técnico

Como construímos um sistema que analisa 100.000 sites em busca de violações do consentimento de cookies

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

Corrigido em 21/10/2026: Os números de respawn foram medidos novamente a partir dos resultados de análise armazenados e corrigidos de 1.642 sites / 4.932 cookies para 1.743 sites / 5.226 cookies.

A verificação automatizada da conformidade do consentimento parece simples até tentarmos construí-la. A abordagem ingénua -- obter uma página, procurar cookies, procurar um banner -- deixa escapar a maior parte do que importa. As violações de consentimento são comportamentais, não estruturais. Manifestam-se no momento em que os scripts são executados, na sequência dos pedidos de rede, na resposta dos elementos da interface à interação do utilizador e na persistência do estado entre carregamentos de página. Nada disto pode ser avaliado sem executar um navegador real, interagir com a página como um humano faria e registar o que realmente acontece ao nível da rede.

Esta publicação descreve como construímos o motor de análise por detrás do GDPR Monitor, os desafios de engenharia que consumiram a maior parte do nosso tempo, as decisões de arquitetura que tomámos e porquê, e as limitações sobre as quais somos honestos. Se trabalha em conformidade web, automatização de navegadores ou medição da web em grande escala, deverá encontrar aqui algo útil.

Visão geral do pipeline

Cada análise passa por seis fases. Compreender o pipeline é o contexto necessário para os desafios específicos descritos a seguir.

Fase 1: Lançamento e isolamento do navegador. Uma instância nova de Chromium arranca sem qualquer estado -- sem cookies, sem localStorage, sem cache, sem service workers. Esta é a garantia de "sala limpa" que torna significativa a medição pré-consentimento. Configuramos um viewport padrão, cabeçalhos user-agent e Accept-Language realistas correspondentes ao país alvo e flags de navegador padrão. Cada análise tem o seu próprio processo de navegador; não há fuga de estado entre análises. Fase 2: Navegação e snapshot pré-consentimento. O scanner navega até ao URL alvo, espera que a página atinja um estado estável (rede inativa, DOM estabilizado) e captura tudo o que aconteceu: cookies definidos, pedidos de rede efetuados (com URL completo, temporização e metadados de resposta), domínios de terceiros contactados e uma captura de ecrã de página inteira. Este snapshot responde à pergunta fundamental: o que fez este website antes de o utilizador ter qualquer oportunidade de consentir? Fase 3: Deteção da CMP e identificação do banner. O scanner tenta identificar a plataforma de gestão de consentimento e localizar o banner de consentimento, o botão de aceitar e o botão de rejeitar. Para isso usa um sistema de deteção em camadas, descrito em detalhe mais abaixo. Fase 4: Interação de consentimento. O scanner interage com o banner -- clica em aceitar para o fluxo padrão e em rejeitar para o teste do fluxo de rejeição. Espera que a página estabilize após a interação, tendo em conta animações, reavaliação de scripts e acionamento tardio de tags. Fase 5: Snapshot pós-consentimento e análise diferencial. Um segundo snapshot completo captura o estado após a interação de consentimento. A comparação dos snapshots pré-consentimento e pós-consentimento revela o que mudou: novos cookies, novos pedidos de rastreamento, estado de consentimento nas APIs da CMP. Fase 6: Análise, classificação e geração do relatório. Os dados brutos alimentam os módulos de análise: classificação de cookies com base na nossa base de dados, correspondência de rastreadores com padrões conhecidos, avaliação do tempo de vida dos cookies, auditoria de acessibilidade do banner, validação do Google Consent Mode, deteção de sinais de fingerprinting e pontuação de risco. O resultado é um relatório estruturado com conclusões, artefactos de evidência e uma pontuação de risco composta.

Cada fase produz evidências com marca temporal que são armazenadas de forma duradoura. Qualquer conclusão pode ser rastreada até pedidos de rede, entradas de cookies ou capturas de ecrã específicos.

Desafio 1: Deteção de CMP -- 45 plataformas, variações infinitas

A gestão de consentimento não está normalizada. Não existe nenhum atributo HTML universal, nenhuma API JavaScript obrigatória, nenhuma estrutura DOM consistente que diga "isto é um banner de consentimento". A nossa biblioteca de deteção inclui 45 CMPs distintas, cada uma com a sua própria estrutura DOM, assinaturas de scripts, variáveis globais JavaScript e padrões de interação. Para além dessas, 34,7% dos banners que detetámos no nosso estudo de 97.304 sites eram genéricos ou não identificados -- implementações personalizadas, fornecedores regionais ou soluções mínimas que não correspondem a nenhuma assinatura de CMP conhecida.

A nossa deteção usa uma abordagem em camadas baseada em níveis de confiança:

Camada 1: Deteção de assinaturas de scripts

O scanner verifica a presença de scripts de CMPs conhecidas através de padrões de URL e de variáveis globais JavaScript. O Cookiebot, por exemplo, é carregado a partir de `consent.cookiebot.com` e expõe `window.Cookiebot`. O OneTrust é carregado a partir de `cdn.cookielaw.org` e expõe `window.OneTrust`. Cada CMP tem padrões de carregamento característicos que podem ser detetados antes de examinar o DOM.

Esta camada é rápida e de alta confiança quando há correspondência. Mas tem uma limitação crítica: indica que CMP está presente na página, não necessariamente que CMP é responsável pelo banner de consentimento. Um site pode carregar o PiwikPRO para analytics (que inclui um componente de CMP) enquanto usa o tarteaucitron para a gestão efetiva do consentimento. Detetar ambos os scripts é fácil; saber qual deles controla o banner é mais difícil.

Camada 2: Correspondência de seletores verificados

Para cada CMP conhecida, mantemos um conjunto curado de seletores CSS que identificam de forma fiável o contentor do banner, o botão de aceitar e o botão de rejeitar. São seletores que validámos em várias versões e configurações de cada CMP. Quando uma CMP é detetada na Camada 1 e os seus seletores verificados correspondem a elementos no DOM, temos alta confiança tanto na identificação da CMP como nos alvos de interação do banner.

Camada 3: Correspondência de seletores compatíveis

Um conjunto mais amplo de seletores que funcionam em muitas versões de uma CMP, mas são menos precisos. Tratam os casos em que uma CMP foi personalizada, recebeu um tema próprio ou executa uma versão não coberta pelos nossos seletores verificados. Trocam precisão por cobertura.

Camada 4: Heurísticas genéricas

Para os 34,7% de banners não associados a uma CMP conhecida, recorremos à deteção heurística. O scanner procura:

  • Elementos com posição fixa ou sticky perto da parte inferior ou superior do viewport
  • Elementos que contêm palavras-chave relacionadas com consentimento em vários idiomas ("cookies", "consent", "privacy", "akzeptieren", "accepter", "aceptar", etc.)
  • Botões com rótulos comuns de ações de consentimento ("Aceitar tudo", "Rejeitar tudo", "Gerir preferências" e equivalentes)
  • Padrões estruturais típicos de diálogos de consentimento: fundos de sobreposição, contentores modais, botões de fechar

Esta camada apanha muitas implementações personalizadas, mas é inerentemente menos fiável. Um banner promocional com posição fixa ou um formulário de subscrição de newsletter pode ser estruturalmente semelhante a um diálogo de consentimento.

Camada 5: Sondagem das APIs de CMP

Algumas CMPs expõem APIs JavaScript -- em particular a API do IAB Transparency and Consent Framework (TCF) através de `__tcfapi`. Sondamos estas APIs tanto para verificar a deteção da CMP como para ler o estado de consentimento programático, que depois comparamos com o comportamento observado no navegador.

O modelo de confiança

Em vez de tratar a deteção como binária (encontrado/não encontrado), atribuímos pontuações de confiança com base nas camadas que tiveram correspondência e na força dessa correspondência. Um site em que detetamos um script de CMP, encontramos correspondência com seletores verificados e uma API TCF recebe alta confiança. Um site em que apenas as heurísticas genéricas foram acionadas recebe confiança mais baixa. Esta pontuação de confiança alimenta a nossa classificação de risco -- uma confiança de deteção mais baixa significa que as conclusões têm maior probabilidade de ser classificadas como inconclusivas em vez de definitivas.

O modelo de confiança é a razão pela qual a identificação incorreta de CMPs, embora ocorra, não enviesa sistematicamente os nossos resultados. Quando a deteção é ambígua, dizemo-lo, em vez de forçar uma classificação.

Desafio 2: O fluxo de rejeição -- porque é que "clicar e verificar" é surpreendentemente difícil

Testar um botão de rejeitar parece simples: encontrá-lo, clicar nele, verificar se os cookies desapareceram. Na prática, cada passo está repleto de problemas de temporização, comportamento assíncrono e particularidades específicas de cada plataforma.

Encontrar o botão de rejeitar. Nem todos os botões de rejeitar dizem "Rejeitar". Podem dizer "Recusar tudo", "Recusar", "Apenas cookies necessários", "Gerir definições" (que leva a uma segunda camada onde a rejeição é possível) ou equivalentes em qualquer uma de dezenas de idiomas. Algumas CMPs colocam a opção de rejeição numa posição visual diferente, com um tamanho diferente ou numa cor diferente da opção de aceitar. Algumas escondem-na por detrás de uma ligação "Mais opções" ou "Personalizar". O nosso scanner mantém um conjunto multilingue de padrões de ações de rejeição e deteta também opções de rejeição de segunda camada quando a primeira camada só oferece aceitar e personalizar. Esperar pelo momento certo. Após clicar em rejeitar, a página pode sofrer alterações significativas: o banner fecha-se (muitas vezes com animação), a CMP aciona callbacks de estado de consentimento, os gestores de tags reavaliam as suas regras e os scripts podem ser carregados ou descarregados. Verificar os cookies demasiado cedo apanha o estado a meio da transição. Verificar demasiado tarde deixa escapar rastreamento transitório que é acionado e termina rapidamente. Usamos uma espera baseada em vários sinais: rede inativa, estabilidade do DOM e um atraso mínimo, afinados a partir de testes empíricos em centenas de configurações de CMP. O teste de recarregamento e o consent respawn. Foi o passo de recarregamento que revelou o consent respawn como fenómeno. Não nos propusemos encontrá-lo -- o nosso teste original do fluxo de rejeição só verificava o estado imediatamente após a rejeição. Mas durante o desenvolvimento, notámos sites que pareciam limpos após a rejeição, mas tinham cookies de rastreamento quando verificávamos novamente após um recarregamento da página. A depuração inicial presumiu um problema de temporização do scanner. Uma investigação mais aprofundada confirmou que era real: scripts de terceiros voltavam a definir cookies no carregamento da página, independentemente do estado de consentimento.

Adicionámos deteção explícita de respawn ao pipeline: após o fluxo de rejeição, o scanner recarrega a página, espera que estabilize e compara o inventário de cookies com o snapshot pós-rejeição. Qualquer cookie que tenha sido removido pela rejeição e reapareça após o recarregamento é sinalizado como respawn. Isto identificou 1.743 sites com 5.226 cookies a reaparecer -- uma conclusão que teria ficado invisível sem o passo de recarregamento.

A sondagem `waitForScriptIdentifiedCMP`. Algumas CMPs carregam de forma assíncrona e só apresentam o banner vários segundos após o carregamento inicial da página. Se o scanner avançar para o passo de rejeição antes de a CMP ter sido inicializada, ou não encontra o banner de todo ou interage com uma interface parcialmente carregada. Implementámos um mecanismo de sondagem que espera que a API JavaScript da CMP fique disponível (por exemplo, `__tcfapi` para CMPs baseadas no TCF, a variável global `Cookiebot` para o Cookiebot) antes de prosseguir. Isto acrescenta latência a cada análise, mas reduz significativamente os falsos negativos causados pelo carregamento assíncrono das CMPs.

Desafio 3: Saturação do pipeline em escala

Analisar 97.304 websites não é um trabalho para uma única máquina. Cada análise lança um processo Chromium, navega até um website, interceta e classifica centenas de pedidos de rede, tira várias capturas de ecrã e executa os módulos de análise. Uma única análise demora 30-90 segundos, dependendo da complexidade do site. Com 15 análises simultâneas por worker, a gestão de recursos torna-se a principal preocupação de engenharia.

A arquitetura de semáforos

Usamos um modelo de concorrência baseado em semáforos para limitar o número de processos Chromium simultâneos por worker. Cada worker tem um semáforo fixo (15 slots na nossa configuração de produção). Uma análise adquire um slot antes de lançar o seu navegador e liberta-o quando termina. Isto evita o esgotamento da memória -- 15 instâncias de Chromium com interceção completa de pedidos já consomem uma quantidade significativa de RAM -- e cria contrapressão sobre a fila Redis.

A exceção para o pedido do documento

No início do desenvolvimento, deparámo-nos com um problema de débito: a nossa lógica de interceção de pedidos (que inspeciona cada pedido para efeitos de segurança contra SSRF -- bloqueando pedidos para gamas de IP privadas, redes internas e outros destinos potencialmente perigosos) acrescentava latência a cada carregamento de recurso, incluindo o pedido do documento principal. Como o URL do documento já foi validado antes do início da análise, adicionámos um atalho: os pedidos do tipo documento para o URL alvo pré-validado contornam o pipeline completo de interceção. Esta otimização aparentemente pequena teve um impacto significativo no débito global, porque o pedido do documento bloqueia tudo o resto.

Pré-aquecimento de DNS

O primeiro pedido a um novo domínio implica uma consulta DNS, que na nossa infraestrutura podia acrescentar 50-200 ms por domínio. Com o website médio a contactar 10,4 domínios de terceiros (e alguns a contactar até 171), o tempo de resolução DNS acumulava-se significativamente. Implementámos o pré-aquecimento de DNS usando a cache de um resolvedor DNS Unbound local: antes de cada análise, resolvemos o domínio alvo e aquecemos a cache. A instância Unbound serve respostas em cache para as consultas seguintes dentro da análise, reduzindo a sobrecarga de DNS por domínio para menos de um milissegundo.

Segurança contra SSRF em escala

Cada pedido intercetado pelo scanner é verificado contra um conjunto de regras de segurança antes de ser autorizado a prosseguir. Os pedidos para gamas de IP privadas (RFC 1918, RFC 4193, link-local, loopback) são bloqueados. Isto impede que um site alvo malicioso use o scanner como vetor de SSRF para sondar redes internas.

O desafio em escala era distinguir bloqueios genuínos por SSRF da saturação dos semáforos. Quando os 15 slots do semáforo estão todos em uso e uma análise não consegue adquirir um slot, o timeout resultante parece superficialmente semelhante a um pedido bloqueado por razões de segurança. Adicionámos uma categorização explícita dos erros para distinguir "bloqueado porque o alvo resolveu para um IP privado" de "bloqueado porque o scanner está no limite da capacidade". Isto foi essencial para a monitorização operacional e para uma classificação precisa das falhas de análise.

Desafio 4: Deteção de evasão de bots

Durante o estudo, identificámos 137 websites que parecem esconder deliberadamente o seu banner de consentimento de scanners automatizados. O banner é servido a visitantes humanos, mas suprimido quando o site deteta características de navegação automatizada.

O mecanismo mais comum que identificámos envolve a opção de configuração `isAcceptAllForBots` do plugin WordPress RCB (Real Cookie Banner). Quando ativada, esta definição deteta navegadores automatizados (através de `navigator.webdriver`, de heurísticas baseadas no user-agent ou de sinais comportamentais) e aceita automaticamente o consentimento em seu nome ou esconde completamente o banner. A intenção, tal como documentada pelo plugin, é evitar que visitantes automatizados recebam um diálogo de consentimento com o qual não podem interagir de forma significativa. O efeito é que os scanners de conformidade -- e os auditores regulatórios que usam ferramentas automatizadas -- veem um site que parece não ter qualquer mecanismo de consentimento, quando os visitantes humanos veem um banner de consentimento completo.

Este é um problema de transparência. Se o mecanismo de consentimento de um website só é visível para visitantes humanos, não pode ser auditado em escala. Sinalizamos estes sites separadamente nos nossos resultados, porque a conclusão é qualitativamente diferente de "nenhum banner detetado". O site tem um banner; está a optar por não no-lo mostrar.

Detetamos a evasão de bots através de uma combinação de sinais: a presença de configurações conhecidas de deteção de bots nas definições da CMP (acessíveis através de inspeção JavaScript), discrepâncias entre o que o DOM mostra e o que a API da CMP reporta e, em alguns casos, a comparação dos resultados da análise automatizada com verificação manual.

O número de 137 é certamente uma subestimativa. Só conseguimos detetar a evasão de bots quando conseguimos identificar o mecanismo. Os sites que usam deteção de bots mais sofisticada ou personalizada podem escapar tanto ao nosso scanner como à nossa deteção de evasão.

Desafio 5: Identificação incorreta de CMPs

Um site pode carregar vários scripts que parecem plataformas de gestão de consentimento. O PiwikPRO inclui um componente de CMP, mas é principalmente uma suite de analytics. Alguns sites WordPress carregam o Complianz juntamente com um plugin de analytics separado que tem funcionalidades semelhantes às de uma CMP. Os sites empresariais podem ter restos de uma CMP anterior ainda a carregar ao lado da atual.

A deteção ingénua -- "se vemos o script, é a CMP" -- produz identificações falsas que se propagam numa interação incorreta com o banner. Se o scanner identificar o PiwikPRO como a CMP e tentar usar os seletores de banner do PiwikPRO, pode não encontrar o verdadeiro banner do tarteaucitron que controla o consentimento no site.

A nossa abordagem baseada em níveis de confiança resolve isto ordenando as CMPs candidatas. Quando são detetadas várias CMPs potenciais:

1. Verificamos qual delas tem um banner visível no DOM (script presente sem banner significa provavelmente uma CMP inativa ou uma utilização que não é de CMP).

2. Verificamos qual delas expõe uma API de CMP ativa (por exemplo, um `__tcfapi` funcional ou equivalente).

3. Preferimos a CMP cujos seletores verificados correspondem a elementos visíveis do DOM à que só é detetada pelo URL do script.

Esta heurística não é perfeita, mas resolveu os casos de identificação incorreta mais comuns que encontrámos durante o desenvolvimento e os testes.

Limitações

Nenhum scanner automatizado replica perfeitamente cada experiência de navegação humana. Estas são as limitações conhecidas:

Banners dependentes de GeoIP. Algumas CMPs, em particular o CookieYes, servem experiências de consentimento diferentes com base na geolocalização IP do visitante. As nossas análises têm origem em localizações de rede específicas na Europa. Um site que mostra um banner de consentimento a visitantes de França, mas não a visitantes de fora da UE, apresentará resultados diferentes consoante a origem da análise. Atualmente não analisamos cada site a partir de todos os países da UE. Shadow DOM fechado. Algumas CMPs apresentam o seu banner dentro de um shadow DOM fechado, que é inacessível às consultas DOM padrão através de `document.querySelector`. A CMP da Transcend usa esta abordagem. O nosso scanner consegue detetar o elemento anfitrião do shadow DOM, mas não consegue inspecionar o seu conteúdo para encontrar os botões de aceitar/rejeitar. Estes sites acabam normalmente como inconclusivos nos nossos resultados. Nomes de classe dinâmicos e ofuscação. Algumas CMPs, em particular o Admiral, usam nomes de classe gerados dinamicamente que mudam em cada carregamento de página. A deteção baseada em seletores falha nestes casos, porque os seletores não são estáveis entre visitas. Recorremos às heurísticas genéricas, mas a confiança é mais baixa. Aplicações de página única. As SPAs que gerem o estado de consentimento inteiramente em JavaScript do lado do cliente e carregam o mecanismo de consentimento após as primeiras mudanças de rota (em vez de no carregamento inicial da página) são mais difíceis de avaliar. O nosso scanner navega até ao URL e espera que a página estabilize, mas não simula a navegação dentro da aplicação. Um banner de consentimento que só aparece depois de o utilizador navegar dentro da SPA pode passar despercebido. Cobertura de idiomas. A nossa deteção do botão de rejeitar usa correspondência de texto num conjunto de idiomas suportados, mas não cobrimos todos os idiomas da UE da mesma forma. Um banner em maltês ou estónio pode ter rótulos do botão de rejeitar que a nossa correspondência de texto não reconhece, o que leva a uma falha no teste do fluxo de rejeição (embora o próprio banner possa ainda ser detetado pelas heurísticas estruturais). Casos-limite de temporização. Um script que é acionado 30 segundos após o carregamento da página não será detetado por uma análise que espera 15 segundos pela inatividade da rede. Usamos timeouts generosos, mas a cauda longa do comportamento assíncrono é inerentemente difícil de captar por completo.

Estas limitações contribuem para a nossa taxa de 14,9% de resultados inconclusivos.

A infraestrutura

A infraestrutura de análise em produção é composta por:

  • Motor do scanner: Uma aplicação Go que usa o chromedp como cliente CDP para a automatização do Chromium. O Go foi escolhido pelo seu modelo de concorrência (goroutines e channels mapeiam-se naturalmente na orquestração de análises paralelas), pelas suas características de desempenho e pela simplicidade de implementação (um único binário estático).
  • Runtime do navegador: Chromium headless lançado por análise através de CDP. Cada análise recebe um processo de navegador novo, sem qualquer estado partilhado.
  • Fila: Fila de trabalho suportada por Redis que distribui URLs aos workers do scanner. O Redis trata da distribuição de tarefas, do acompanhamento do progresso e da limitação de taxa.
  • Base de dados: PostgreSQL para resultados de análise duráveis, conclusões, metadados de evidências e todos os dados estruturados. Análises, conclusões, cookies, pedidos e resultados de análise são todos armazenados de forma relacional.
  • Cache DNS: Resolvedor Unbound local que fornece consultas DNS em cache e resolução segura contra SSRF.
  • Armazenamento de evidências: Capturas de ecrã, ficheiros HAR e relatórios PDF são armazenados como artefactos duráveis ligados aos registos de análise.

Para o estudo de 97.304 sites, processámos 114.748 URLs candidatos (97.304 concluídos com sucesso) ao longo de aproximadamente 2,5 dias, usando 3 instâncias de servidor que executavam workers do scanner em paralelo. Cada servidor executava vários processos worker com 15 slots de análise simultânea cada. O débito máximo foi de cerca de 25-30 análises concluídas por minuto por servidor.

O principal estrangulamento não foi o CPU nem a memória, mas sim a rede: cada análise gera centenas de pedidos de saída (para o site alvo e os seus recursos de terceiros), e a largura de banda e o número de ligações agregados de todas as análises simultâneas saturaram a capacidade de rede disponível antes de os outros recursos se esgotarem.

Desafios em aberto e trabalho futuro

Vários problemas continuam por resolver ou estão apenas parcialmente resolvidos:

Localização dos banners de consentimento. A nossa correspondência de texto cobre os principais idiomas da UE, mas é incompleta para comunidades linguísticas mais pequenas. Alargar a cobertura exige não só acrescentar traduções, mas também validar que os seletores e os padrões de interação funcionam corretamente com versões localizadas das CMPs. Monitorização longitudinal. A nossa arquitetura atual está otimizada para análises pontuais. Detetar alterações no comportamento de consentimento ao longo do tempo -- um site melhorou após uma ação de fiscalização? Uma atualização de uma CMP corrigiu uma classe de falhas no fluxo de rejeição? -- exige análises repetidas com análise diferencial, o que é arquiteturalmente diferente de uma avaliação única. Benchmarking da conformidade das CMPs. Temos os dados para avaliar as taxas de conformidade por CMP (o Cookiebot está associado a uma melhor conformidade do que o OneTrust?), mas separar a qualidade da CMP da qualidade da configuração feita pelo operador do site é metodologicamente complexo. Uma CMP que é mais frequentemente implementada por grandes empresas com equipas de privacidade dedicadas parecerá melhor no agregado, mesmo que a ferramenta em si não seja mais conforme. Verificação do estado de consentimento em tempo real. O scanner atual funciona em modo de lote. Integrar a verificação do consentimento em pipelines de CI/CD ou numa monitorização em tempo real exige um modo de análise mais rápido e mais leve, que sacrifique alguma profundidade de evidências em troca de velocidade. Estamos a explorar esta possibilidade.

A API

O mesmo motor de análise descrito nesta publicação está disponível através da API pública do GDPR Monitor. Pode submeter pedidos de análise programaticamente, consultar resultados e obter conclusões estruturadas e artefactos de evidência. A API devolve os mesmos dados que a nossa interface apresenta: snapshots pré-consentimento, inventários de cookies, resultados da deteção de CMP, resultados do fluxo de rejeição, pontuações de risco e cadeias de evidências completas.

Se está a construir ferramentas de conformidade, a integrar verificações de privacidade em pipelines de CI/CD, a conduzir a sua própria investigação ou a incorporar monitorização num programa de privacidade, a API dá acesso à análise comportamental do consentimento sem a necessidade de construir e manter a sua própria infraestrutura de automatização do Chromium.


Experimente você mesmo. A documentação da API está disponível em gdprprivacymonitor.eu/developers/api. Analise um único URL ou integre a monitorização automatizada da privacidade no seu fluxo de trabalho.

Verifique o seu website

Execute uma verificação gratuita de conformidade RGPD - sem registo necessário.

Analise o seu website gratuitamente