¿Puedo extraer datos de una web para mi TFG?

Sí, en muchos casos, y hay una norma española que lo dice. El Real Decreto-ley 24/2021 introdujo un límite a la propiedad intelectual para la minería de textos y datos: no hace falta autorización del titular para reproducir obras «accesibles de forma legítima» con esa finalidad. Pero el permiso decae si el titular reservó expresamente el uso automatizado, y no cubre ni las condiciones contractuales del sitio ni la protección de datos personales.

¿Qué dice exactamente la norma española?

El límite está en el artículo 67 del Real Decreto-ley 24/2021, de 2 de noviembre (BOE-A-2021-17910), la norma que transpuso al derecho español varias directivas europeas, entre ellas la de derechos de autor en el mercado único digital. El artículo se titula literalmente «Minería de textos y datos» y su apartado 1 establece que no será precisa la autorización del titular de los derechos de propiedad intelectual para las reproducciones de obras y otras prestaciones accesibles de forma legítima realizadas con fines de minería de textos y datos.

Conviene leer los cuatro apartados que más te afectan:

El mismo artículo añade, en sus apartados 5 y 7, que tampoco hará falta la autorización del autor de una base de datos divulgada ni la del fabricante de la base para extraer o reutilizar una parte sustancial de su contenido cuando se haga con fines de minería de textos y datos sobre obras accesibles de forma legítima. Esto es relevante porque muchas fuentes académicas están protegidas como bases de datos, no solo como obras.

¿Qué significa «accesible de forma legítima»?

Es la condición que sostiene todo el permiso, y no equivale a «visible en internet». Estás accediendo de forma legítima cuando:

• El contenido es de acceso libre y no has tenido que saltarte ninguna barrera para llegar a él.
• Accedes a través de una suscripción que tu universidad tiene contratada y usas el contenido dentro de lo que esa suscripción permite.
• Te has registrado y estás cumpliendo las condiciones del registro.

No estás accediendo de forma legítima si has esquivado un muro de pago, si has usado credenciales que no son tuyas o si has reutilizado un volcado que alguien obtuvo de esas maneras. En esos casos el límite del artículo 67 no te ampara, porque su presupuesto de hecho no se cumple.

¿La reserva de derechos me obliga aunque no sea un contrato?

Sí. El apartado 67.3 hace decaer el permiso cuando el titular «ha reservado expresamente» el uso automatizado. En la práctica esa reserva aparece en tres sitios y conviene revisarlos los tres:

1. El fichero robots.txt del dominio. Es lo primero que hay que abrir. No es una norma jurídica, pero es la forma técnica más extendida de declarar qué se puede recorrer automáticamente y a qué ritmo.
2. El aviso legal o las condiciones de uso. Muchos sitios incluyen una cláusula que prohíbe la extracción automatizada o el uso comercial. Léela y guarda una captura con la fecha.
3. Etiquetas de reserva en el propio contenido, cuando el sitio las publica.

Si encuentras una reserva expresa, no discutas con ella en tu memoria: cambia de fuente o pide permiso por escrito. Un correo al responsable del sitio explicando que es un trabajo académico sin fines comerciales se responde con más frecuencia de la que la gente imagina, y esa respuesta es un anexo excelente.

¿Y si el sitio no dice nada pero sus condiciones prohíben el uso automatizado?

Aquí hay que separar dos planos que se confunden constantemente. El artículo 67 es un límite a los derechos de propiedad intelectual: te dice que no necesitas la autorización del titular de derechos de autor. Las condiciones de uso de una plataforma son un vínculo contractual distinto, con sus propias consecuencias. Que una conducta no infrinja derechos de autor no significa automáticamente que no incumpla un contrato que aceptaste al registrarte.

Lo prudente en un trabajo académico es: si las condiciones lo prohíben expresamente, no lo hagas sin permiso. Y si decides seguir adelante porque entiendes que tu caso está amparado, escribe en la metodología en qué te basas. Un tribunal valora mucho más un párrafo que razona el marco que un silencio.

¿La protección de datos me afecta si los datos son públicos?

Sí, y es el error más común. Que un comentario, un perfil o una reseña sean públicos no los convierte en datos libres: si permiten identificar a una persona, son datos personales y la normativa de protección de datos se aplica igual. El propio artículo 67.2 lo recuerda de forma expresa al condicionar la conservación de las copias al respeto de esa normativa.

Tres consecuencias prácticas para tu TFG:

• Minimiza en la captura, no después. Si tu pregunta de investigación no necesita nombres de usuario, no los descargues. Es mucho más defendible que descargarlos y borrarlos luego.
• Seudonimiza y anonimiza correctamente. Sustituir el nombre por un código no siempre basta: un texto literal puede ser rastreable con un buscador. Los criterios de anonimización que aplica la AEPD son el punto de referencia.
• Consulta al comité si hay datos sensibles. Si tu corpus toca salud, ideología, orientación sexual o menores, el circuito es el mismo que en cualquier investigación con sujetos humanos, aunque nunca hables con nadie.

¿Qué debo escribir en la metodología?

Seis frases convierten una descarga en un procedimiento documentado:

1. Fuente exacta: dominio, sección y fecha de acceso.
2. Criterio de selección: qué páginas o registros entran y cuáles no.
3. Herramienta y parámetros: qué usaste, con qué intervalo entre peticiones y qué identificador enviaba tu cliente.
4. Volumen obtenido: número de registros y periodo cubierto.
5. Comprobaciones legales realizadas: revisión de robots.txt, de condiciones de uso y de la existencia de reserva expresa, con la fecha de la consulta.
6. Tratamiento de datos personales: qué campos se descartaron y cómo se seudonimizó el resto.

El punto 3 tiene además una dimensión técnica que es de buena educación y de prudencia: espaciar las peticiones. Un script que golpea un servidor a máxima velocidad puede degradar el servicio, y eso sí puede tener consecuencias que nada tienen que ver con los derechos de autor.

¿Cuánto tiempo puedo guardar el corpus?

El apartado 67.2 permite conservar las reproducciones «durante todo el tiempo que sea necesario para cumplir estos fines». Y el 67.4 va más allá para la investigación científica hecha desde organismos de investigación: las copias se almacenarán con un nivel adecuado de seguridad y podrán conservarse para la verificación de los resultados de la investigación.

Esto es una buena noticia para la reproducibilidad de tu trabajo: la norma contempla expresamente que guardes el material que sostiene tus resultados. La contrapartida es la obligación de custodia. En un TFG eso se traduce en algo sencillo: el corpus no vive en el escritorio de tu portátil ni en una carpeta compartida abierta.

¿Puedo publicar el corpus como anexo de mi TFG?

Esa es una pregunta distinta y la respuesta suele ser no. El límite del artículo 67 cubre la reproducción para minería, no la comunicación pública del material ajeno. Publicar textos íntegros de terceros en el repositorio de tu universidad es un acto diferente que necesita su propia base. Lo habitual y correcto es publicar el código de extracción, la lista de identificadores o URL y los datos agregados, no el contenido literal. Si tienes dudas sobre qué puedes depositar, la guía de derechos de autor y repositorios institucionales cubre ese lado del problema.

Preguntas frecuentes

¿Necesito ser doctorando o puede hacerlo un estudiante de grado?

El apartado 67.1 no limita el permiso a un tipo de investigador: habla de reproducciones con fines de minería de textos y datos sobre obras accesibles de forma legítima. El régimen específico del apartado 67.4, con su obligación de almacenamiento seguro y su habilitación para conservar el material, se refiere a organismos de investigación e instituciones de patrimonio cultural. Si haces el trabajo dentro de tu universidad, pregunta a tu tutor bajo qué paraguas se encuadra.

¿Usar una API pública es lo mismo que hacer scraping?

Jurídicamente el análisis de derechos de autor es parecido, pero la situación contractual es mucho más clara: una API tiene condiciones explícitas, límites de uso publicados y a menudo una licencia concreta para los datos. Siempre que exista API, úsala: te ahorra la discusión y te da una fuente citable y estable.

¿Puedo usar un conjunto de datos que otra persona extrajo y publicó?

Depende de la licencia con la que lo publicó y de si tenía derecho a hacerlo. Si el conjunto está depositado en un repositorio de datos con una licencia clara, cítalo y úsalo con tranquilidad. Si es un archivo suelto sin licencia ni procedencia documentada, no lo uses: no puedes acreditar el acceso legítimo, que es la condición de todo lo anterior.

¿Y si la web es de una administración pública?

Suele ser el mejor escenario, porque la información del sector público tiene su propio régimen de reutilización y muchos organismos publican portales de datos abiertos con licencias expresas. Empieza siempre por ahí antes de plantearte extraer de una web institucional; y si el organismo ofrece descarga directa, esa es la vía citable.

¿Tengo que declarar que usé un script de IA para escribir el extractor?

Eso depende de la política de tu universidad sobre uso de herramientas de inteligencia artificial, no de la normativa de propiedad intelectual. Es una cuestión distinta de la que trata este artículo y se resuelve con la declaración de uso que exija tu centro.

¿Vale este marco fuera de España?

El artículo 67 es derecho español y transpone una directiva europea, así que otros Estados miembros tienen reglas equivalentes pero no idénticas. Si tu fuente está alojada fuera de la Unión Europea o tu universidad no es española, no des por hecha la equivalencia: identifica la norma aplicable antes de escribir la metodología.

¿Cómo se cita una norma como esta en el trabajo?

Como cualquier disposición del BOE, con su denominación completa, su fecha y su identificador. En este caso: Real Decreto-ley 24/2021, de 2 de noviembre, artículo 67, y el identificador BOE-A-2021-17910.

¿Y si mi corpus es de textos literarios o periodísticos?

Es el caso típico de la lingüística de corpus y el análisis del discurso, y el mismo marco aplica: acceso legítimo, ausencia de reserva expresa y no publicación íntegra del material. Si además construyes un corpus estructurado, el flujo de trabajo se parece mucho al que se describe para el TFG de Filología con corpus lingüístico.

¿Hay algún caso en el que sea directamente mala idea?

Sí: cuando el volumen que necesitas es tan grande que el proyecto se convierte en un problema de ingeniería en lugar de en una investigación. Ese es el momento de plantearse si un conjunto de datos ya publicado no resolvería tu pregunta igual de bien, algo que la panorámica de fuentes de datos masivos para trabajos académicos ayuda a valorar antes de escribir una sola línea de código.

Antes de escribir el apartado

Lo que evalúa el tribunal en este punto no es tu script: es si sabes explicar en qué te amparaste, qué comprobaste y qué descartaste. Si ya tienes los datos y lo que te falta es convertir esas comprobaciones en un apartado de metodología bien redactado, puedes empezar tu documento con Tesify y trabajar sobre una estructura que ya reserva sitio para la procedencia de los datos y sus consideraciones éticas y legales.

Norma consultada en su texto consolidado en el BOE el 18 de agosto de 2026: Real Decreto-ley 24/2021, de 2 de noviembre (BOE-A-2021-17910), Título II, artículos 67 a 69. Este artículo explica el marco general y no sustituye al asesoramiento de tu universidad sobre un caso concreto.