Heritrix

Heritrix es un rastreador web de código abierto desarrollado por el Internet Archive, diseñado para profesionales y organizaciones que necesitan capturar y preservar contenido digital a gran escala. Resuelve la necesidad de crear copias fiables de sitios web para su archivo histórico o análisis, ofreciendo un control detallado sobre el proceso de extracción.

Sus funciones principales incluyen:

• Rastreo configurable mediante reglas de aceptación y rechazo.
• Soporte multiprotocolo para HTTP, FTP, SFTP y WHOIS.
• Gestión de autenticación con credenciales y cookies.
• Control de cortesía para limitar ancho de banda y frecuencia.
• Generación de informes detallados sobre el estado del rastreo.
• Interfaz de línea de comandos y API REST para automatización.

El programa opera bajo la licencia Apache Software License 2.0, lo que garantiza su gratuidad y libertad de uso. Al ser una herramienta técnica orientada a servidores y automatización, su curva de aprendizaje puede ser elevada para usuarios no técnicos, lo que motiva la búsqueda de alternativas más sencillas o con interfaces gráficas más intuitivas.