Teknisk
Så byggde vi ett system som skannar 100 000 webbplatser efter brott mot reglerna för cookiesamtycke
GDPR Privacy Monitor Engineering · 2026-04-13 · 7 min läsning
Automatiserad kontroll av samtyckesefterlevnad låter enkelt tills du försöker bygga det. Det naiva tillvägagångssättet -- hämta en sida, kontrollera cookies, leta efter en banderoll -- missar det mesta av det som spelar roll. Samtyckesöverträdelser är beteendemässiga, inte strukturella. De manifesteras i timing av skriptkörning, sekvensen av nätverksförfrågningar, svaret från UI-element på användarinteraktion och beståendet av tillstånd över sidladdningar. Du kan inte bedöma något av detta utan att köra en riktig webbläsare, interagera med sidan som en människa skulle göra och registrera vad som faktiskt händer på nätverksnivå.
Det här inlägget beskriver hur vi byggde skanningsmotorn bakom GDPR Monitor, de tekniska utmaningar som tog mest av vår tid, de arkitektoniska beslut vi fattade och varför, samt de begränsningar vi är ärliga om. Om du arbetar med webbefterlevnad, webbläsarautomation eller storskalig webbmätning bör det finnas något användbart här.
Pipelineöversikt
Varje skanning passerar genom sex steg. Att förstå pipelinen är nödvändigt sammanhang för de specifika utmaningar som följer.
Steg 1: Webbläsarstart och isolering. En färsk Chromium-instans startar med noll tillstånd -- inga cookies, inget localStorage, ingen cache, inga service workers. Detta är den renrumsgaranti som gör mätning före samtycke meningsfull. Vi konfigurerar en standardvy, realistisk user-agent och Accept-Language-huvuden matchande mållandet, samt standardflaggor. Varje skanning får sin egen webbläsarprocess; det finns inget tillståndsläckage mellan skanningar. Steg 2: Navigering och ögonblicksbild före samtycke. Scannern navigerar till mål-URL:en, väntar på att sidan når ett stabilt tillstånd (nätverk inaktivt, DOM stabiliserad) och fångar allt som har hänt: cookies satta, nätverksförfrågningar gjorda (med fullständig URL, timing och svarsmetadata), tredjepartsdomäner kontaktade och en helsidesskärmdump. Denna ögonblicksbild besvarar den fundamentala frågan: vad gjorde denna webbplats innan användaren hade någon möjlighet att samtycka? Steg 3: CMP-detektering och banderollidentifiering. Scannern försöker identifiera samtyckeshanteringsplattformen och lokalisera samtyckesbanderollen, acceptknappen och avvisningsknappen. Detta använder ett skiktat detekteringssystem som beskrivs i detalj nedan. Steg 4: Samtyckesinteraktion. Scannern interagerar med banderollen -- klickar acceptera för standardflödet, klickar avvisa för avvisningsflödestestet. Den väntar på att sidan stabiliseras efter interaktion, med hänsyn till animationer, skriptomutvärdering och fördröjd taggavfyrning. Steg 5: Ögonblicksbild efter samtycke och differentialanalys. En andra fullständig ögonblicksbild fångar tillståndet efter samtyckesinteraktion. Jämförelse av ögonblicksbilder före och efter samtycke avslöjar vad som ändrades: nya cookies, nya spårningsförfrågningar, samtyckestillstånd i CMP-API:er. Steg 6: Analys, klassificering och rapportgenerering. Rådata matas in i analysmoduler: cookie-klassificering mot vår databas, spårarmatchning mot kända mönster, cookie-livstidsutvärdering, tillgänglighetsrevision av banderollen, Google Consent Mode-validering, fingeravtrycksignaldetektering och riskpoängsättning. Resultatet är en strukturerad rapport med resultat, bevisartefakter och en sammansatt riskpoäng.Varje steg producerar tidsstämplad bevisning som lagras bestående. Varje resultat kan spåras tillbaka till specifika nätverksförfrågningar, cookie-poster eller skärmdumpar.
Utmaning 1: CMP-detektering -- 45 plattformar, oändliga variationer
Samtyckeshantering är inte standardiserat. Det finns inget universellt HTML-attribut, inget obligatoriskt JavaScript-API, ingen konsekvent DOM-struktur som säger "detta är en samtyckesbanderoll." Det finns 45 distinkta CMP:er i vårt detekteringsbibliotek, var och en med sin egen DOM-struktur, skriptsignaturer, JavaScript-globaler och interaktionsmönster. Utöver dessa var 34,7 % av de banderoller vi detekterade i vår studie med 97 304 webbplatser generiska eller oidentifierade -- anpassade implementeringar, regionala leverantörer eller minimala lösningar som inte matchade någon känd CMP-signatur.
Vår detektering använder ett konfidensbaserat, skiktat tillvägagångssätt:
Skikt 1: Skriptsignaturdetektering
Scannern kontrollerar förekomsten av kända CMP-skript via URL-mönster och JavaScript-globala variabler. Cookiebot laddar till exempel från `consent.cookiebot.com` och exponerar `window.Cookiebot`. OneTrust laddar från `cdn.cookielaw.org` och exponerar `window.OneTrust`. Varje CMP har karakteristiska laddningsmönster som kan detekteras före DOM-granskning.
Detta skikt är snabbt och hög-konfidensigt när det matchar. Men det har en kritisk begränsning: det berättar vilken CMP som finns på sidan, inte nödvändigtvis vilken CMP som ansvarar för samtyckesbanderollen. En webbplats kan ladda PiwikPRO för analys (som inkluderar en CMP-komponent) medan den använder tarteaucitron för faktisk samtyckeshantering. Att detektera båda skripten är lätt; att veta vilken som kontrollerar banderollen är svårare.
Skikt 2: Verifierad selektormatchning
För varje känd CMP underhåller vi en kuraterad uppsättning CSS-selektorer som tillförlitligt identifierar banderollkontainern, acceptknappen och avvisningsknappen. Dessa är selektorer vi har validerat över flera versioner och konfigurationer av varje CMP. När en CMP detekteras i skikt 1 och dess verifierade selektorer matchar element i DOM:en har vi hög konfidens i både CMP-identifieringen och banderollens interaktionsmål.
Skikt 3: Kompatibel selektormatchning
En bredare uppsättning selektorer som fungerar över många versioner av en CMP men är mindre precisa. Dessa hanterar fall där en CMP har anpassats, temats eller kör en version som inte täcks av våra verifierade selektorer. De byter precision mot täckning.
Skikt 4: Generiska heuristiker
För de 34,7 % av banderoller som inte är associerade med en känd CMP faller vi tillbaka på heuristisk detektering. Scannern letar efter:
- Fasta eller klibbiga element nära botten eller toppen av vyn
- Element som innehåller samtyckesrelaterade nyckelord på flera språk ("cookies", "consent", "privacy", "akzeptieren", "accepter", "aceptar" etc.)
- Knappar med vanliga samtyckesaktionsetiketter ("Accept All", "Reject All", "Manage Preferences" och motsvarigheter)
- Strukturella mönster typiska för samtyckesdialoger: överlagringsbakgrunder, modala kontainrar, stängknappar
Detta skikt fångar många anpassade implementeringar men är till sin natur mindre tillförlitligt. En fast promotionsbanderoll eller nyhetsbrevregistrering kan se strukturellt liknande ut som en samtyckesdialog.
Skikt 5: CMP API-probing
Vissa CMP:er exponerar JavaScript-API:er -- framför allt IAB Transparency and Consent Framework (TCF) API via `__tcfapi`. Vi probar efter dessa API:er för att både verifiera CMP-detektering och läsa det programmatiska samtyckestillståndet, som vi senare jämför med observerat webbläsarbeteende.
Konfidensmodellen
Istället för att behandla detektering som binär (hittad/inte hittad) tilldelar vi konfidenspoäng baserat på vilka skikt som matchade och hur starkt. En webbplats där vi detekterar ett CMP-skript, matchar verifierade selektorer och hittar ett TCF API får hög konfidens. En webbplats där bara generiska heuristiker triggade får lägre konfidens. Denna konfidenspoäng matas in i vår riskklassificering -- lägre detektionskonfidens innebär att resultat är mer sannolika att klassificeras som inkonklusiva snarare än definitiva.
Konfidensmodellen är anledningen till att CMP-felidentifiering, även om den förekom, inte systematiskt snedvrider våra resultat. När detektering är tvetydig säger vi det, istället för att tvinga en klassificering.
Utmaning 2: Avvisningsflödet -- Varför "Klicka och kontrollera" är förvånansvärt svårt
Att testa en avvisningsknapp låter enkelt: hitta den, klicka på den, kontrollera om cookies är borta. I praktiken är varje steg kantat av tidsproblem, asynkront beteende och plattformsspecifika egenheter.
Hitta avvisningsknappen. Inte alla avvisningsknappar är märkta "Avvisa." De kan säga "Neka alla", "Vägra", "Bara nödvändiga cookies", "Hantera inställningar" (som leder till ett andra lager där avvisning är möjlig), eller motsvarigheter på något av dussintal språk. Vissa CMP:er placerar avvisningsalternativet på en annan visuell plats, i en annan storlek eller i en annan färg än acceptalternativet. Vissa gömmer det bakom en länk "Fler alternativ" eller "Anpassa". Vår scanner underhåller en flerspråkig uppsättning avvisningsaktionsmönster och detekterar även andralagersavvisningsalternativ där första lagret bara erbjuder acceptera och anpassa. Vänta på rätt ögonblick. Efter att ha klickat avvisa kan sidan genomgå betydande förändringar: banderollen försvinner (ofta med animation), CMP:n avfyrar samtyckesstatusåterkallningar, tagghanterare omutvärderar sina regler och skript kan laddas eller avladdas. Att kontrollera cookies för tidigt fångar mellantillståndet. Att kontrollera för sent missar transient spårning som avfyras och slutförs snabbt. Vi använder en flersignalväntan: nätverk inaktivt, DOM-stabilitet och ett minsta fördröjningsgolv, avstämt från empirisk testning över hundratals CMP-konfigurationer. Omladdningstestet och samtyckes-respawn. Omladdningssteget är det som avslöjade samtyckes-respawn som fenomen. Vi satte inte ut för att hitta det -- vårt ursprungliga avvisningsflödestest kontrollerade bara det omedelbara tillståndet efter avvisning. Men under utvecklingen märkte vi webbplatser som såg rena ut efter avvisning men hade spårningscookies när vi kontrollerade igen efter en sidomladdning. Initial felsökning antog ett timing-problem i scannern. Ytterligare undersökning bekräftade att det var verkligt: tredjepartsskript som återsatte cookies vid sidladdning oavsett samtyckestillstånd.Vi la till explicit respawn-detektering i pipelinen: efter avvisningsflödet laddar scannern om sidan, väntar på stabilitet och jämför cookie-inventariet med ögonblicksbilden efter avvisning. Varje cookie som togs bort av avvisning och återuppstår efter omladdning flaggas som en respawn. Detta fångade 1 743 webbplatser med 5 226 respawnande cookies -- ett resultat som hade varit osynligt utan omladdningssteget.
`waitForScriptIdentifiedCMP`-pollen. Vissa CMP:er laddas asynkront och renderar inte sin banderoll förrän flera sekunder efter initial sidladdning. Om scannern går vidare till avvisningssteget innan CMP:n har initierats, missar den antingen banderollen helt eller interagerar med ett delvis laddat UI. Vi implementerade en pollningsmekanism som väntar på att CMP:ns JavaScript-API blir tillgängligt (t.ex. `__tcfapi` för TCF-baserade CMP:er, `Cookiebot`-globalen för Cookiebot) innan den fortsätter. Detta ökar latens per skanning men minskar avsevärt falskt negativa från asynkron CMP-laddning.Utmaning 3: Pipelinemättnad vid skala
Att skanna 97 304 webbplatser är inte ett enmaskinsjobb. Varje skanning startar en Chromium-process, navigerar till en webbplats, fångar upp och klassificerar hundratals nätverksförfrågningar, tar flera skärmdumpar och kör analysmoduler. En enskild skanning tar 30-90 sekunder beroende på webbplatsens komplexitet. Med 15 simultana skanningar per arbetare blir resurshantering den primära tekniska utmaningen.
Semaforarkitekturen
Vi använder en semaforbaserad samtidighetmodell för att begränsa antalet simultana Chromium-processer per arbetare. Varje arbetare har en fast semafor (15 platser i vår produktionskonfiguration). En skanning förvärvar en plats innan den startar sin webbläsare och frigör den vid slutförande. Detta förhindrar minnesutmattning -- 15 Chromium-instanser med full förfrågefångst förbrukar redan avsevärt RAM -- och ger mottryck mot Redis-kön.
Undantaget för dokumentförfrågningar
Tidigt i utvecklingen stötte vi på ett genomströmningsproblem: vår förfrågefångstlogik (som inspekterar varje förfrågan för SSRF-säkerhet -- blockerar förfrågningar till privata IP-intervall, interna nätverk och andra potentiellt farliga mål) la till latens till varje resursladdning, inklusive huvuddokumentförfrågan. Eftersom dokument-URL:en redan har validerats innan skanningen börjar la vi till en snabbvägsförbikoppling: dokumenttypförfrågningar till den förvaliderade mål-URL:en hoppar över den fullständiga fångstpipelinen. Denna till synes lilla optimering hade en betydande inverkan på övergripande genomströmning eftersom dokumentförfrågan blockerar allt annat.
DNS-förvärmning
Den första förfrågan till en ny domän medför en DNS-uppslagning, som på vår infrastruktur kunde lägga till 50-200 ms per domän. Med den genomsnittliga webbplatsen som kontaktar 10,4 tredjepartsdomäner (och vissa som kontaktar upp till 171) ackumulerades DNS-upplösningstiden avsevärt. Vi implementerade DNS-förvärmning med en lokal Unbound DNS-resolver-cache: före varje skanning löser vi måldomänen och värmer cachen. Unbound-instansen serverar cachade svar för efterföljande uppslagningar inom skanningen, vilket reducerar DNS-overhead per domän till under en millisekund.
SSRF-säkerhet vid skala
Varje förfrågan som fångats upp av scannern kontrolleras mot en uppsättning säkerhetsregler innan den tillåts fortsätta. Förfrågningar till privata IP-intervall (RFC 1918, RFC 4193, link-local, loopback) blockeras. Detta förhindrar en skadlig målwebbplats från att använda scannern som en SSRF-vektor för att proba interna nätverk.
Utmaningen vid skala var att skilja genuina SSRF-blockeringar från semaforkörning. När alla 15 semaforplatser används och en skanning inte kan förvärva en plats, ser den resulterande timeouten ytligt liknande ut som en förfrågan som blockeras av säkerhetsskäl. Vi la till explicit felkategorisering för att skilja "blockerad eftersom målet löstes till en privat IP" från "blockerad eftersom scannern är på kapacitet." Detta var nödvändigt för operativ övervakning och för korrekt klassificering av skanningsfel.
Utmaning 4: Detektering av bot-undvikande
Under studien identifierade vi 137 webbplatser som verkar avsiktligt dölja sin samtyckesbanderoll för automatiserade skannrar. Banderollen visas för mänskliga besökare men undertrycks när webbplatsen detekterar egenskaper hos automatiserad surfning.
Den vanligaste mekanismen vi identifierade involverar RCB (Real Cookie Banner) WordPress-tilläggets `isAcceptAllForBots`-konfigurationsalternativ. När det är aktiverat detekterar denna inställning automatiserade webbläsare (via `navigator.webdriver`, user-agent-heuristiker eller beteendesignaler) och antingen automatiskt accepterar samtycke på deras vägnar eller döljer banderollen helt. Avsikten, som dokumenterats av tillägget, är att förhindra att automatiserade besökare serveras en samtyckesdialog de inte kan meningsfullt interagera med. Effekten är att efterlevnadsskannrar -- och regulatoriska granskare som använder automatiserade verktyg -- ser en webbplats som verkar sakna samtyckesmekanism, när mänskliga besökare ser en fullständig samtyckesbanderoll.
Detta är ett transparensproblem. Om en webbplats samtyckesmekanism bara är synlig för mänskliga besökare kan den inte granskas i stor skala. Vi flaggar dessa webbplatser separat i våra resultat eftersom resultatet är kvalitativt annorlunda från "ingen banderoll detekterad." Webbplatsen har en banderoll; den väljer att inte visa den för oss.
Vi detekterar bot-undvikande genom en kombination av signaler: förekomsten av känd bot-detektionskonfiguration i CMP-inställningar (tillgänglig via JavaScript-inspektion), avvikelser mellan vad DOM:en visar och vad CMP:ns API rapporterar, och i vissa fall genom att jämföra automatiserade skanningsresultat med manuell verifiering.
Siffran 137 är säkert en underräkning. Vi kan bara detektera bot-undvikande när vi kan identifiera mekanismen. Webbplatser som använder mer sofistikerad eller anpassad bot-detektering kan framgångsrikt undvika både vår scanner och vår undvikandedetektering.
Utmaning 5: CMP-felidentifiering
En webbplats kan ladda flera skript som ser ut som samtyckeshanteringsplattformar. PiwikPRO inkluderar en CMP-komponent men är framför allt en analyssvit. Vissa WordPress-webbplatser laddar Complianz vid sidan av ett separat analystillägg som har CMP-liknande funktioner. Företagswebbplatser kan ha kvarlevor av en tidigare CMP som fortfarande laddas vid sidan av den aktuella.
Naiv detektering -- "om vi ser skriptet är det CMP:n" -- producerar felidentifieringar som kaskaderar till felaktig banderollinteraktion. Om scannern identifierar PiwikPRO som CMP:n och försöker använda PiwikPRO:s banderollselektorer kan den missa den faktiska tarteaucitron-banderollen som kontrollerar samtycke på webbplatsen.
Vårt konfidensbaserade tillvägagångssätt adresserar detta genom att ranka CMP-kandidater. När flera potentiella CMP:er detekteras:
1. Vi kontrollerar vilken som har en synlig banderoll i DOM:en (skript närvarande men ingen banderoll innebär sannolikt inaktiv eller icke-CMP-användning).
2. Vi kontrollerar vilken som exponerar ett aktivt CMP-API (t.ex. en fungerande `__tcfapi` eller motsvarande).
3. Vi föredrar den CMP vars verifierade selektorer matchar synliga DOM-element framför den som bara detekteras via skript-URL.
Denna heuristik är inte perfekt, men den löste de vanligaste felidentifieringsfallen vi stötte på under utveckling och testning.
Begränsningar
Ingen automatiserad scanner replikerar perfekt varje mänsklig surfupplevelse. Dessa är de kända begränsningar som påverkar våra resultat:
GeoIP-beroende banderoller. Vissa CMP:er, framför allt CookieYes, serverar olika samtyckesupplevelser baserat på besökarens IP-geolokalisering. Våra skanningar utgår från specifika nätverksplatser i Europa. En webbplats som visar en samtyckesbanderoll för besökare från Frankrike men inte för besökare utanför EU visar olika resultat beroende på skanningens ursprung. Vi skannar för närvarande inte varje webbplats från varje EU-land. Stängd shadow DOM. Vissa CMP:er renderar sin banderoll i en stängd shadow DOM, som är otillgänglig för standard-DOM-frågor via `document.querySelector`. Transcends CMP använder detta tillvägagångssätt. Vår scanner kan detektera shadow host-elementet men kan inte inspektera dess innehåll för att hitta accept-/avvisningsknappar. Dessa webbplatser hamnar vanligtvis som inkonklusiva i våra resultat. Dynamiska klassnamn och obfuskering. Vissa CMP:er, framför allt Admiral, använder dynamiskt genererade klassnamn som ändras vid varje sidladdning. Selektorbaserad detektering misslyckas för dessa eftersom selektorerna inte är stabila över besök. Vi faller tillbaka på generiska heuristiker, men konfidensen är lägre. Ensidiga applikationer. SPA:er som hanterar samtyckestillstånd helt i klientsides JavaScript och laddar samtyckesmekanismen efter initiala routerändringar (snarare än vid initial sidladdning) är svårare att bedöma. Vår scanner navigerar till URL:en och väntar på att sidan stabiliseras, men den simulerar inte navigering i appen. En samtyckesbanderoll som bara visas efter att användaren navigerar inom SPA:n kan missas. Språktäckning. Vår avvisningsknappdetektering använder textmatchning över en uppsättning språk som stöds, men vi täcker inte varje EU-språk lika. En banderoll på maltesiska eller estniska kan ha avvisningsknappetiketter som vår textmatchning inte känner igen, vilket leder till att avvisningsflödestestningen missas (även om själva banderollen fortfarande kan detekteras av strukturella heuristiker). Timing-marginalfall. Ett skript som avfyras 30 sekunder efter sidladdning missas av en skanning som väntar 15 sekunder på nätverk inaktivt. Vi använder generösa tidsgränser, men den långa svansen av asynkront beteende är till sin natur svår att fånga fullständigt.Dessa begränsningar bidrar till vår 14,9 % inkonklusiva frekvens. Vi föredrar att vara ärliga om vad vi inte kan bedöma tillförlitligt snarare än att tvinga varje skanning till en definitiv klassificering.
Infrastrukturen
Produktionens skanningsinfrastruktur består av:
- Skannermotor: En Go-applikation som använder chromedp som CDP-klient för Chromium-automation. Go valdes för sin samtidighetmodell (goroutiner och kanaler kartlägger naturligt på parallell skanningsorkestrering), sin prestanda och sin distributionsenkelhet (en enda statisk binär).
- Webbläsarkörning: Huvudlös Chromium startad per skanning via CDP. Varje skanning får en färsk webbläsarprocess med noll delat tillstånd.
- Kö: Redis-backad arbetskön som distribuerar URL:er till skannerarbetare. Redis hanterar jobbdistribution, framstegsspårning och hastighetsbegränsning.
- Databas: PostgreSQL för bestående skanningsresultat, resultat, bevismetadata och all strukturerad data. Skanningar, resultat, cookies, förfrågningar och analysresultat lagras alla relationellt.
- DNS-cache: Lokal Unbound-resolver som tillhandahåller cachade DNS-uppslagningar och SSRF-säker upplösning.
- Bevislagring: Skärmdumpar, HAR-filer och PDF-rapporter lagras som bestående artefakter kopplade till skanningsposter.
För studien med 97 304 webbplatser bearbetade vi 114 748 kandidat-URL:er (97 304 slutfördes framgångsrikt) under ungefär 2,5 dagar med 3 serverinstanser som körde skannerarbetare parallellt. Varje server körde flera arbetarprocesser med 15 simultana skanningsplatser var. Toppgenomströmningen var ungefär 25-30 slutförda skanningar per minut per server.
Den primära flaskhalsen var inte CPU eller minne utan nätverk: varje skanning genererar hundratals utgående förfrågningar (till målwebbplatsen och dess tredjepartsresurser), och den aggregerade bandbredden och anslutningsantalet över alla simultana skanningar mättade tillgänglig nätverkskapacitet innan andra resurser var uttömda.
Öppna utmaningar och framtida arbete
Flera problem kvarstår olösta eller delvis lösta:
Lokalisering av samtyckesbanderoller. Vår textmatchning täcker större EU-språk men är ofullständig för mindre språkgemenskaper. Att utöka täckningen kräver inte bara att lägga till översättningar utan att validera att selektorer och interaktionsmönster fungerar korrekt med lokaliserade CMP-versioner. Longitudinell övervakning. Vår nuvarande arkitektur är optimerad för punktskanning. Att detektera förändringar i samtyckesbeteende över tid -- förbättrades en webbplats efter tillsyn? Fixade en CMP-uppdatering en klass av avvisningsflödesmisslyckanden? -- kräver upprepade skanningar med differentialanalys, vilket är arkitektoniskt annorlunda från engångsbedömning. CMP-efterlevnadsbenchmarking. Vi har datan för att bedöma efterlevnadsgrad per CMP (är Cookiebot associerat med bättre efterlevnad än OneTrust?), men att separera CMP-kvalitet från webbplatsoperatörens konfigurationskvalitet är metodologiskt komplext. En CMP som oftare distribueras av stora företag med dedikerade integritetsteam kommer att se bättre ut i aggregat även om verktyget i sig inte är mer kompatibelt. Samtyckesstatusverifiering i realtid. Den nuvarande scannern opererar i batchläge. Att integrera samtyckesverifiering i CI/CD-pipelines eller realtidsövervakning kräver ett snabbare, lättare skanningsläge som offrar visst bevisdjup för hastighet. Vi utforskar detta.API:et
Samma skannermotor som beskrivs i detta inlägg är tillgänglig via GDPR Monitors publika API. Du kan skicka skanningsbegäran programmatiskt, polla efter resultat och hämta strukturerade resultat och bevisartefakter. API:et returnerar samma data som vårt UI visar: ögonblicksbilder före samtycke, cookie-inventarier, CMP-detekteringsresultat, avvisningsflödesresultat, riskpoäng och fullständiga beviskedjor.
Om du bygger efterlevnadsverktyg, integrerar integritetskontroller i CI/CD-pipelines, bedriver egen forskning eller bygger in övervakning i ett integritetsprogram ger API:et tillgång till beteendemässig samtyckesanalys utan behov av att bygga och underhålla din egen Chromium-automationsinfrastruktur.
Prova själv. API-dokumentation finns på gdprprivacymonitor.eu/developers/api. Skicka en enskild URL eller integrera automatiserad integritetsövervakning i ditt arbetsflöde.
Kontrollera din webbplats
Kör en gratis GDPR-efterlevnadsskanning - ingen registrering krävs.
Skanna din webbplats gratis