Extracción automática de datos: lo permitido, lo prudente y lo evitable
Que un dato esté publicado no significa que pueda hacerse con él cualquier cosa. Ni técnica ni jurídicamente.
Tres planos que se confunden
La discusión sobre extracción automática de datos mezcla habitualmente tres cosas distintas: si es técnicamente posible, si está permitido y si es prudente. Son tres preguntas separadas y una respuesta afirmativa a la primera no dice nada sobre las otras dos.
Separarlas es lo que permite trabajar sin sobresaltos: la mayoría de los problemas nacen de haber respondido sólo a la primera.
Consultar no es sobrecargar
Un portal público está pensado para ser consultado. Descargar los mismos documentos que descargaría una persona, a un ritmo razonable, es uso normal. Lanzar cientos de peticiones por segundo hasta degradar el servicio es otra cosa, y además arruina el propio trabajo: la fuente deja de estar disponible.
- Introduzca una pausa entre peticiones y no paralelice sin necesidad.
- Identifíquese en el agente de usuario con un contacto real. Cuesta nada y evita bloqueos.
- Lea el fichero robots.txt y las condiciones de uso. No siempre son vinculantes, pero siempre son informativas.
- Guarde en local lo descargado y trabaje sobre esa copia en lugar de volver a pedirlo.
- Si existe una API o una descarga masiva publicada, úsela: para eso está.
- Si el portal pide identificarse o hay que aceptar condiciones, la situación cambia de plano.
Datos personales publicados siguen siendo datos personales
El Reglamento (UE) 2016/679 no deja de aplicarse porque un dato esté accesible. Recopilar de forma sistemática datos personales publicados constituye un tratamiento, con las obligaciones que ello conlleva. Existe una excepción relevante para fines periodísticos, pero es una excepción sujeta a ponderación, no una exención automática.
Antes de empezar, cuatro preguntas
- ¿Qué necesito exactamente? Recoger todo «por si acaso» multiplica el riesgo sin aportar nada.
- ¿Hay datos personales? Si los hay, ¿son imprescindibles para la finalidad?
- ¿Existe una vía oficial? Una descarga publicada o una solicitud de acceso pueden dar lo mismo sin discusión.
- ¿Podría defender esto por escrito? Si la respuesta tarda en llegar, conviene replantear el método.
Documentar el acceso
Todo lo que se recopile debería quedar registrado: qué se pidió, a qué dirección, en qué fecha, con qué ritmo y qué se obtuvo. No es burocracia: es la única forma de responder si alguien pregunta, y también de reproducir el trabajo dentro de seis meses cuando el portal haya cambiado.
- Fecha y hora de cada ejecución.
- Direcciones consultadas y parámetros empleados.
- Volumen obtenido y ritmo aplicado.
- Copia íntegra del material descargado, sin modificar.
- Las decisiones sobre qué se descartó y por qué.
Lo que no arregla la técnica
Un conjunto de datos recopilado impecablemente sigue necesitando la misma comprobación que cualquier otra fuente: quién lo publicó, con qué cobertura, con qué omisiones. La automatización acelera la obtención; no sustituye ninguna de las preguntas posteriores.