# Glosario de la API de lectura web

> Glosario de 36 términos para leer webs con una API: Markdown, contenido principal, JavaScript, robots.txt, Content Signals, RAG, MCP, créditos y más.

- URL: https://webreaderapi.com/es/glossary/
- Última actualización: 2026-10-22
- Editor: WebReaderAPI (https://webreaderapi.com)

Las palabras que encuentras cuando conviertes páginas web a texto para modelos de lenguaje, desde el lado del HTML hasta el lado de la IA, con enlaces a donde cada una importa en la documentación.

**Respuesta rápida — ¿Qué significan los principales términos de la API de lectura web?**

Una API de lectura web obtiene una página, conserva su **contenido principal** y lo devuelve como **Markdown** que un modelo puede leer. **WebReaderAPI** añade **renderizado de JavaScript** cuando una página necesita un navegador, respeta **robots.txt** y **Content Signals**, y cobra un **crédito** por página, desde 0,07 US$/1K páginas a octubre de 2026. Los 36 términos siguientes explican el resto.

## Desde el lado de la página web

**HTML** — El lenguaje de marcado de las páginas web. El HTML sin procesar mezcla el texto que quieres con etiquetas, scripts y estilos, por eso se lee mal para un modelo de lenguaje.

**DOM** — El Document Object Model: el árbol de elementos que un navegador construye a partir del HTML y luego modifica con JavaScript. Una página renderizada se lee del DOM, no del HTML sin procesar.

**Renderizado de JavaScript** — Ejecutar los scripts de una página en un navegador para que aparezca el contenido cargado después de la primera respuesta. WebReaderAPI lo hace cuando es necesario (`render=auto`), por dos créditos en lugar de uno.

**Navegador headless** — Un motor de navegador real que se ejecuta sin pantalla, controlado por software. Así se renderizan en un servidor las páginas con mucho JavaScript.

**Extracción del contenido principal** — Encontrar la parte de una página por la que vino el lector, como el artículo o la documentación, y dejar fuera todo lo que la rodea. En nuestra API esto es `main_content=true`, el valor predeterminado.

**Readability** — A la vez una cualidad del texto y el nombre de una conocida familia de algoritmos que puntúan los bloques de una página para encontrar el contenido principal, como hacen los modos de lectura de los navegadores.

**Texto repetitivo** — Texto que se repite en todas las páginas de un sitio: menús, avisos de cookies, barras laterales, pies de página, botones para compartir. Eliminarlo es la mayor parte del trabajo de un lector web.

**Markdown** — Un formato de texto plano en el que `#` marca un encabezado, `-` un elemento de lista y `[text](url)` un enlace. Los modelos lo leen bien y usa muchos menos tokens que HTML.

**Metadatos** — Datos sobre una página en lugar de su texto: título, descripción, autor, fecha de publicación, idioma. WebReaderAPI los devuelve junto al Markdown cuando la página los indica.

**Extracción de PDF** — Convertir el texto de un archivo PDF a Markdown. Los archivos PDF de hasta 20 MB y 100 páginas se convierten a Markdown, a 1 crédito por cada bloque de 10 páginas iniciado.

**Sitemap** — Un archivo XML en el que un sitio enumera sus páginas. Un trabajo de rastreo (crawl) parte de él cuando existe, lo que encuentra páginas más rápido y con menos peticiones.

**Paywall** — Una barrera que muestra el contenido solo a los suscriptores. WebReaderAPI nunca lee detrás de una.

## Desde el lado del rastreador

**Rastreador** — Un programa que obtiene páginas web con un propósito. El nuestro solo obtiene las páginas que piden los clientes, y la [página del bot](https://webreaderapi.com/es/bot/) lo describe.

**User agent** — El nombre que un cliente envía con cada petición. El nuestro es `WebReaderAPI/1.0 (+https://webreaderapi.com/bot/)`, así los dueños de los sitios siempre saben quién pregunta.

**robots.txt** — Un archivo en la raíz de un sitio que indica a los rastreadores qué rutas pueden obtener, estandarizado como RFC 9309. Respetamos robots.txt: nuestro rastreador se identifica como WebReaderAPI, sigue las reglas escritas para él o para todos los robots y no lee una página que un sitio prohíbe. Las páginas rechazadas no se cobran.

**Crawl-delay** — Una línea de robots.txt que pide a los rastreadores esperar un número de segundos entre peticiones. Nuestros trabajos de rastreo la respetan.

**Content Signals** — Una política para líneas de robots.txt como `Content-Signal: search=yes, ai-input=no`, que indican cómo puede usarse el contenido de un sitio, incluso por la IA.

**ai-input** — El ajuste de Content Signals que cubre el uso de una página como entrada para una respuesta de IA. Si un sitio declara Content-Signal: ai-input=no en su robots.txt, no leemos sus páginas para ti.

**llms.txt** — Un archivo Markdown que algunos sitios publican en `/llms.txt` para dar a los modelos de lenguaje una breve guía de su contenido y sus páginas clave.

**Rastreo (crawl)** — Leer muchas páginas de un mismo sitio siguiendo sus enlaces y su sitemap. Rastrea un sitio web por trabajo, hasta 10.000 páginas, siguiendo su sitemap, su robots.txt y su Crawl-delay.

**Trabajo por lotes** — Una lista de URLs enviada en una sola petición y procesada en segundo plano. Hasta 100 URLs por trabajo por lotes.

**HTTP 403** — El estado que envía un servidor para rechazar una petición. Cuando un sitio responde 403 a nuestro rastreador, la API devuelve `target_refused` y no cobra nada.

**HTTP 429** — El estado para demasiadas solicitudes. Desde un sitio, significa que bajes el ritmo; desde nuestra API (`concurrency_limit`), significa que tu cuenta ha alcanzado su límite de lecturas simultáneas.

**Retroceso exponencial** — Esperar más tiempo tras cada intento fallido (por ejemplo 1, 2 y luego 4 segundos) antes de reintentar, para no saturar un servidor ocupado.

## Desde el lado de la IA

**Token** — La unidad que lee y factura un modelo de lenguaje: más o menos una palabra corta o parte de ella. El Markdown limpio usa muchos menos tokens que la misma página en HTML.

**Ventana de contexto** — La cantidad de texto que un modelo puede procesar a la vez. El parámetro `max_chars` mantiene cada página dentro del presupuesto que establezcas.

**RAG** — Retrieval-augmented generation (generación aumentada por recuperación): el modelo responde a partir de documentos obtenidos para la pregunta. Un lector web proporciona esos documentos desde páginas en vivo.

**Chunking** — Dividir un documento largo en fragmentos antes de indexarlo. Los encabezados en Markdown ofrecen puntos de corte naturales.

**Embedding** — Una lista de números que representa el significado de un fragmento, usada para encontrar fragmentos similares a una pregunta.

**Almacén vectorial** — Una base de datos que guarda embeddings y devuelve los fragmentos más cercanos a una consulta; el hogar habitual de las páginas web troceadas en un sistema RAG.

**Tool calling** — La capacidad de un modelo de pedir a la aplicación que ejecute una función, como leer una URL, y de usar el resultado. Consulta [la llamada a funciones de OpenAI](https://webreaderapi.com/es/docs/openai/).

**MCP** — El Model Context Protocol, una forma estándar de conectar herramientas a clientes de IA como Claude Desktop o Cursor. Nuestra [página de MCP](https://webreaderapi.com/es/docs/mcp/) muestra una herramienta de fetch construida sobre la API.

## Desde el lado de la facturación

**Crédito** — La unidad de uso de la API. 1 crédito = 1 página leída sin navegador; 2 créditos cuando la página necesita un navegador para renderizar JavaScript. Una solicitud que falla, o que el robots.txt de un sitio rechaza, no se cobra.

**Concurrencia** — Cuántas lecturas puede ejecutar tu cuenta en el mismo momento. Cada cuenta tiene un límite de cuántas páginas lee a la vez; tu panel lo muestra y el soporte puede ampliarlo.

**KYC** — Know your customer: comprobaciones de identidad que exigen algunos servicios, como un documento de identidad o una selfie. WebReaderAPI no solicita ninguna.

**Stablecoin** — Una criptomoneda que sigue el valor de una moneda como el dólar estadounidense. USDT y USDC son las dos aceptadas para recargas; la lista completa de monedas está en BTC, USDT, USDC, ETH, SOL, LTC.

---

WebReaderAPI: WebReaderAPI es una API de lectura web para agentes de IA que convierte cualquier página web pública en Markdown limpio, pagando con criptomonedas y sin subir ningún documento de identidad. Los créditos prepago desde 0,07 US$/1K páginas nunca caducan y se respeta robots.txt. Sin KYC: ni documento de identidad, ni selfie, ni documentos. Paga con criptomonedas.