Cómo Extraer Datos Públicos de Instagram para Investigación de Mercado

Instagram eliminó el acceso a la API pública en 2020, pero los endpoints web públicos aún devuelven perfiles, publicaciones y datos de hashtags en JSON. Aquí está lo que es accesible, por qué importan las IPs móviles y dónde está el límite.

Instagram cerró el acceso público a su API oficial en 2020, por lo que cada guía para extraer datos de Instagram ahora se basa en los endpoints web públicos. La buena noticia para la investigación de mercado: esos endpoints aún devuelven perfiles, publicaciones, reels y volúmenes de hashtags en JSON limpio, sin necesidad de iniciar sesión. El inconveniente es que Instagram es una de las plataformas más agresivas al marcar tráfico automatizado, por lo que la IP que uses y el ritmo que mantengas deciden si el endpoint permanece abierto. Esta guía cubre lo que es accesible, el código para alcanzarlo, y las líneas de los Términos de Servicio y el GDPR que no debes cruzar.

Qué datos públicos de Instagram puedes realmente recopilar

Sin una cuenta puedes acceder a una cantidad sorprendente, todo útil para la investigación de mercado e influencers:

Lo que no puedes obtener sin una sesión autenticada: listas completas de seguidores, la lista de cuentas que dieron me gusta a una publicación, cuentas privadas e historias. Esos endpoints requieren una cookie de sesión, y es exactamente ahí donde se concentran las prohibiciones de cuentas y las violaciones de los Términos de Servicio. Para la investigación, mantente en la superficie pública.

Comparación de datos públicos de Instagram como perfiles, publicaciones y volumen de hashtags frente a datos protegidos por inicio de sesión como listas de seguidores y likers que conllevan riesgo de prohibición de cuenta
Los datos web públicos son la superficie segura; cualquier cosa detrás de una cookie de sesión conlleva riesgo de prohibición de cuenta y de los Términos de Servicio.

El endpoint de perfil público, con código

La aplicación web de Instagram obtiene datos de perfil de un endpoint JSON que cualquiera puede llamar, siempre que envíes el encabezado de id de la aplicación web pública. Enrútalo a través de un proxy y obtendrás datos de perfil en unas pocas líneas:

import requests

PROXY = "http://USER:PASS@gate.quantumproxies.io:8000"  # mobile pool
proxies = {"http": PROXY, "https": PROXY}

HEADERS = {
    "x-ig-app-id": "936619743392459",  # public web app id
    "User-Agent": "Mozilla/5.0 (iPhone; CPU iPhone OS 17_2 like Mac OS X) "
                  "AppleWebKit/605.1.15 (KHTML, like Gecko) Mobile/15E148",
}

def profile(username):
    url = "https://www.instagram.com/api/v1/users/web_profile_info/"
    r = requests.get(url, params={"username": username},
                     headers=HEADERS, proxies=proxies, timeout=20)
    r.raise_for_status()
    return r.json()["data"]["user"]

u = profile("natgeo")
print(u["full_name"], u["edge_followed_by"]["count"])

La misma carga útil lleva publicaciones recientes bajo edge_owner_to_timeline_media, por lo que una llamada te da el perfil y su compromiso más reciente juntos:

for edge in u["edge_owner_to_timeline_media"]["edges"]:
    node = edge["node"]
    print(node["shortcode"],
          node["edge_media_preview_like"]["count"],   # likes
          node["edge_media_to_comment"]["count"])       # comments

Por qué ganan los proxies móviles en Instagram

El fallo más común de Instagram es un bloqueo por límite de tasa: el endpoint comienza a devolver errores y prohíbe temporalmente la IP que lo golpeó. Esperar y alargar los tiempos de espera ayuda un poco, pero la solución duradera es el tipo de IP. Los proxies móviles son la opción más fuerte aquí debido a CGNAT - una sola IP móvil es compartida por miles de suscriptores reales, por lo que Instagram no puede bloquearla sin afectar a usuarios genuinos. Eso hace que las salidas móviles sean las más difíciles de prohibir y el ajuste más cercano a cómo la mayoría de las personas realmente navegan por la aplicación. Nuestro explicador sobre por qué CGNAT hace que las IPs móviles sean confiables cubre el mecanismo, y proxies móviles vs VPNs explica por qué un VPN no puede hacer esto.

Combina un pool de proxies móviles con un ritmo humano - retrasos aleatorios, concurrencia limitada, y una parada cuando la tasa de bloqueo aumenta - y los endpoints públicos permanecen abiertos a lo largo de largas ejecuciones de recopilación.

Los proxies residenciales son una alternativa razonable cuando un pool móvil no está disponible - nuestra red residencial abarca más de 200 países para una recopilación geo-precisa - pero específicamente en Instagram, las salidas móviles sobreviven más tiempo. Cualquiera que sea el tipo de IP, trata una respuesta de límite de tasa como una señal para reducir la velocidad, no para intentar más fuerte: retrocede, rota y alarga el intervalo entre llamadas. Un extractor que respeta el límite recoge mucho más en un día que uno que atraviesa bloqueos y quema su pool en una hora.

Una canalización pública de Instagram resistente que enruta una lista de semillas de nombres de usuario y hashtags a través de un proxy móvil al endpoint JSON de web_profile_info público y en filas estructuradas
Las IPs móviles más un ritmo humano mantienen el endpoint público abierto a lo largo de largas ejecuciones - CGNAT hace que esas salidas sean difíciles de prohibir.

Obtén proxies móviles diseñados para plataformas sociales

Hashtags y descubrimiento

Para el descubrimiento de tendencias e influencers, los datos de hashtags superan a la extracción de perfiles individuales. Las páginas de hashtags exponen el volumen de publicaciones y los clústeres de etiquetas relacionadas, lo que te permite mapear cuán saturado está un tema y encontrar etiquetas adyacentes más tranquilas para apuntar. Combina eso con las tasas de compromiso por perfil - me gusta y comentarios sobre el conteo de seguidores - y tienes una lista corta defendible de creadores sin tocar datos protegidos. Si tu investigación abarca plataformas, la misma disciplina se aplica a datos públicos de TikTok, y hay superposición con automatización social en Instagram, TikTok y X.

Qué conservar y qué descartar

Para la investigación, almacena las señales agregadas y descarta el resto. Los conteos de seguidores y seguidos, la frecuencia de publicación, los me gusta y comentarios promedio, y el uso de hashtags te dicen todo sobre el alcance y el compromiso sin retener una pila de detalles personales. Las URLs de medios caducan y las leyendas completas inflan tu almacenamiento, así que conserva identificadores estables como el shortcode más las métricas, y vuelve a obtener contenido bajo demanda. Minimizar lo que mantienes es tanto una buena ingeniería como el lado más seguro de la línea del GDPR - una tabla de tasas de compromiso es mucho menos sensible que un almacén de cuentas nombradas y sus publicaciones.

Las líneas de los Términos de Servicio y el GDPR

Dos límites importan. Primero, los términos de Instagram restringen la recopilación automatizada, y usar una sesión iniciada para extraer datos protegidos arriesga la cuenta, no solo la IP - mantente en los endpoints públicos, no autenticados para la investigación. Segundo, los identificadores de seguidores, autores de comentarios y detalles de perfil son datos personales. Bajo el GDPR y regímenes similares necesitas una base legal para recopilar y almacenar, debes minimizar lo que mantienes, y debes evitar construir perfiles de individuos identificables sin una razón clara. Las métricas agregadas (conteos de seguidores, tasas de compromiso, volúmenes de hashtags) son mucho más seguras que listas de personas nombradas. Nuestra guía sobre GDPR y extracción de datos personales cubre los detalles - y esto es una guía práctica, no asesoramiento legal.

Preguntas frecuentes

¿Puedes extraer datos de Instagram sin una cuenta?

Sí, para datos públicos. El endpoint de perfil web devuelve biografías, conteos de seguidores y publicaciones recientes en JSON cuando envías el encabezado público x-ig-app-id, y las páginas de hashtags y lugares exponen volumen y metadatos. Las listas de seguidores, likers y cuentas privadas necesitan una sesión autenticada y deben evitarse para la investigación.

¿Por qué Instagram sigue limitando mi extractor?

Estás golpeando el endpoint demasiado rápido desde una IP que Instagram desconfía. Reduce la velocidad con retrasos aleatorios, limita la concurrencia y cambia a proxies móviles - una IP móvil CGNAT es compartida por miles de usuarios reales, por lo que Instagram es mucho más lenta para bloquearla que una dirección de centro de datos.

¿Es legal extraer datos de Instagram?

La recopilación de datos públicos, no personales para investigación generalmente tiene un riesgo menor, pero los términos de Instagram restringen la automatización y los datos personales están gobernados por el GDPR y leyes similares. Mantente en los endpoints públicos, minimiza los datos personales que almacenas y consulta a un abogado para cualquier cosa que involucre individuos identificables a gran escala. Esto no es asesoramiento legal.

¿Cuál es el mejor tipo de proxy para la extracción de Instagram?

Proxies móviles. Debido a que CGNAT asigna una IP móvil a muchos suscriptores reales, la plataforma no puede prohibirla sin daño colateral, haciendo que las salidas móviles sean las más duraderas para la recopilación sostenida. Los proxies residenciales son una segunda opción razonable; las IPs de centros de datos se bloquean más rápido.

Los datos públicos de Instagram son muy accesibles para la investigación de mercado - los endpoints de perfil, publicación y hashtag aún devuelven JSON limpio. Las dos variables que deciden el éxito son la IP (ganan las móviles) y la moderación (solo datos públicos, ritmo humano, datos personales mínimos). Hazlo bien y el endpoint permanece abierto.

Comienza a recopilar con proxies móviles de QuantumProxies