Quanto costa estrarre un milione di pagine nel 2026

La domanda "quanto costa estrarre un milione di pagine" riceve quasi sempre una risposta inutile: "dipende dal sito". Dipende — ma non in modo misterioso. Il costo si suddivide in quattro componenti misurabili, e ognuna di esse può essere calcolata in anticipo, prima che arrivi la fattura per il traffico. Di seguito — l'aritmetica operativa: da dove provengono i gigabyte, perché il prezzo "per GB" non dice nulla sul tuo budget e quali leve riducono realmente il preventivo di diverse volte.

La metrica principale — non il prezzo per gigabyte, ma il prezzo per richiesta riuscita

I fornitori competono con numeri in vetrina: $1/GB, $3/GB, $0.30 per mille richieste. Questi numeri non sono comparabili tra loro, finché non li porti a una sola grandezza — il costo di un'estrazione di dati riuscita. È proprio su questo che insistono le recensioni di mercato: i numeri grezzi "per GB" e "per 1000 richieste" non sono comparabili senza considerare il peso della pagina e la percentuale di risposte riuscite.

La formula sufficiente per la pianificazione:

Budget = (numero di pagine target ÷ percentuale di successo) × peso medio della pagina × prezzo per GB + spese fisse

Tre variabili nella prima parte e una nella seconda. Analizziamo ciascuna.

Componente 1: quanto pesa una pagina

Questa è la variabile più sottovalutata. La variazione qui non è in percentuali, ma in volte, e dipende da come estrai la pagina:

Richiesta HTTP normale senza rendering — 50–150 KB. Ottieni solo il documento HTML.
Rendering completo in un browser headless — 100–300 KB con una configurazione accurata.
Browser "così com'è", senza filtri — 0,2–1 MB e oltre. Paghi per immagini, font, script pubblicitari, analisi e lettori video che non ti servono.

La differenza tra il primo e il terzo punto è fino a venti volte sulla stessa pagina. Per un milione di pagine, questa differenza è tra 50 GB e 1000 GB di traffico.

Componente 2: prezzo per gigabyte per tipi di proxy

I corridoi di mercato attuali per il 2026 sono i seguenti:

Data center — $0,50–3 per GB o pagamento mensile per IP.
Residenziali — $1–8 per GB. Riferimento di qualità del prezzo: circa $1/GB — un'ottima offerta, $3–4/GB — metà mercato, $5–8/GB — segmento aziendale.
Mobile (4G/5G) — $2–15 per GB.
ISP / residenziali statici — $1,5–5 per IP al mese.
API di scraping pronte — $0,30–12 per 1000 richieste.

La tentazione di prendere il più economico è comprensibile, ma si infrange sulla seguente componente.

Componente 3: percentuale di successo — il moltiplicatore nascosto del budget

Ogni richiesta bloccata la paghi comunque: il traffico è speso, i dati non ci sono. Pertanto, il numero reale di richieste è pari a quello target diviso per la percentuale di successo, e il moltiplicatore cresce in modo non lineare:

successo 95% — sovrapprezzo 5%;
successo 70% — avrai bisogno di circa 400 mila richieste in più per ogni milione di record target;
successo 60% — le richieste necessarie sono 2,5 volte di più.

Ecco perché un data center a $0,50/GB su un sito protetto risulta più costoso dei residenziali a $3/GB: Cloudflare, DataDome e Akamai etichettano per impostazione predefinita gli ASN dei data center, e paghi per il flusso di rifiuti. Secondo le stime di luglio 2026, i proxy mobili mantengono il 90–95% di successo contro i moderni sistemi anti-bot — dove i data center non riescono affatto.

Conclusione pratica: il tipo di proxy viene scelto non in base al prezzo, ma all'obiettivo. Cataloghi semplici e API aperti — data center. Negozi, social network, aggregatori con protezione — residenziali. Le piattaforme più aggressive e le versioni mobili dei siti — mobili.

Tre scenari per un milione di pagine

Mettiamo insieme i numeri. La condizione è la stessa: un milione di pagine utili.

Scenario A — "disciplinato". Client HTTP senza browser, 100 KB per pagina, residenziali a $2/GB, successo 95%. Totale: 1,05 milioni di richieste × 100 KB ≈ 105 GB ≈ $210.

Scenario B — "tipico". Browser headless con filtraggio delle risorse, 250 KB per pagina, residenziali a $3/GB, successo 85%. Totale: 1,18 milioni × 250 KB ≈ 295 GB ≈ $885.

Scenario C — "senza configurazione". Il browser carica tutto indiscriminatamente, 800 KB per pagina, residenziali a $5/GB, successo 65%. Totale: 1,54 milioni × 800 KB ≈ 1230 GB ≈ $6150.

La differenza tra A e C è quasi trentacinque volte, con lo stesso risultato finale. Nessuna delle variabili era esotica: sono tutte impostazioni comuni di default contro una normale accuratezza. Per riferimento: le stime del settore per un'azienda di medie dimensioni che gestisce un milione di richieste al mese su vari siti indicano $1000–3000 al mese — cioè tra gli scenari B e C.

Cosa non è incluso nel traffico, ma è incluso nel conto

I proxy sono di solito la voce più grande, ma non l'unica:

Captcha. La soluzione costa $0,50–3 per mille. Con il 5% delle pagine con captcha su un milione, sono 50 mila soluzioni — $25–150. Accettabile. Con il 50% — già $250–1500, e la questione smette di essere tecnica.
Infrastruttura. $20–200 al mese per volumi modesti; $200–500 per piccole scale e $3000–10.000 per flussi veramente grandi.
Archiviazione e traffico in uscita. Circa $0,023 per GB al mese per lo storage a oggetti e $0,09 per GB in uscita nei grandi cloud — una piccola cifra su centinaia di gigabyte, una quantità significativa su decine di terabyte.
Persone. La voce più costosa, che viene dimenticata. Un parser pronto per la produzione richiede 8–12 settimane di sviluppo, poi 4–8 ore al mese su siti semplici e 20+ ore su quelli protetti. Con una tariffa di $75/ora, il supporto per una fonte protetta costa $1500+ al mese — più di tutto il traffico nello scenario B.

Cinque leve che riducono realmente il preventivo

Elimina il browser dove non è necessario. Se i dati sono disponibili in HTML o in un'API interna — il rendering è superfluo. Questa è la leva principale: meno 60–80% di traffico.
Blocca le risorse se il browser è necessario. Immagini, font, media, script pubblicitari e analitici possono essere disattivati con una sola regola di intercettazione delle richieste, offrendo un risparmio moltiplicato. Un'analisi dettagliata delle tecniche è nel materiale su ottimizzazione del consumo di traffico tramite proxy.
Ordina gli obiettivi per complessità. Inviare l'intero elenco attraverso il canale più costoso è l'errore più comune nel preventivo. Suddividi le fonti in "aperte", "moderatamente protette" e "aggressive" e assegna a ciascuna il proprio tipo di proxy.
Costruisci la politica di retry in modo consapevole. Ripetere ciecamente tre volte su un fallimento triplica il traffico su obiettivi problematici. Vale la pena ripetere solo quei codici di risposta dove la ripetizione ha senso, e con un altro IP, non con lo stesso.
Cache e non richiedere la stessa cosa due volte. Liste, paginazione, passaggi ripetuti nel catalogo — qui si possono facilmente perdere decine di percentuali del budget.

Quando è più conveniente un'API pronta e quando il proprio stack

Devi considerare il costo totale di possesso, non solo la voce "per GB". Riferimenti di mercato: un parser proprietario per 100 mila pagine al mese costa $700–1650, supporto incluso, mentre un'API pronta per lo stesso volume costa $50–300. Su grandi numeri, il quadro si capovolge: 1 milione di richieste al mese tramite API costa $250–2490, mentre costruire la propria infrastruttura per 10 TB al mese è stimato a circa $230 mila all'anno contro $100–150 mila per l'acquisto del servizio.

Regola generale: finché il volume è piccolo e i siti sono molti — prendi una soluzione pronta, paghi per il supporto di qualcun altro. Quando il volume è stabile, gli obiettivi sono pochi e ben studiati — il tuo stack su proxy è più economico, perché smetti di pagare il markup per il rendering di cui non hai bisogno. Un confronto dettagliato di entrambi gli approcci è nell'analisi proxy contro scraping API e web unblocker.

Cosa cambia nell'autunno 2026

C'è un fattore che sposterà i calcoli verso l'alto. Dal 15 settembre 2026, Cloudflare passerà i nuovi domini al blocco delle categorie Training e Agent per impostazione predefinita — su pagine con pubblicità; le modifiche riguardano nuovi clienti, nuovi siti di clienti esistenti e tutti i clienti del piano gratuito. I crawler di ricerca rimangono autorizzati. Parallelamente, Pay Per Crawl si trasforma in Pay Per Use: l'editore guadagna non per il fatto di aver visitato la pagina, ma per l'uso del contenuto nella risposta dell'IA.

Il contesto è semplice: secondo Cloudflare, il 52% delle richieste dei crawler nella loro rete è attualmente destinato all'addestramento dell'IA rispetto al 22% nella primavera del 2025. La rete si sta chiudendo, e il significato pratico per il preventivo è questo: la percentuale di successo su fonti protette in media diminuirà, e quindi il moltiplicatore nascosto del budget della terza componente diventerà più significativo. Includi questo nel piano, invece di scoprirlo dalla fattura.

In breve

Il costo dell'estrazione non è il prezzo per gigabyte, ma il prodotto del peso della pagina, del prezzo del canale e dell'inverso della percentuale di successo. La differenza tra un pipeline accurato e uno trascurato su un milione di pagine non è misurata in percentuali, ma in ordini di grandezza. Prima di contrattare uno sconto con il fornitore, calcola quanto stai pagando per il caricamento di immagini che non stai estraendo e per ripetizioni che non avrebbero dovuto verificarsi. Di solito ci sono più soldi lì che in qualsiasi sconto.