Subir archivos a "docs"

2026-05-09 17:49:37 +00:00
parent df16af7b28
commit 8dbc34904b
5 changed files with 595 additions and 0 deletions
@@ -0,0 +1,125 @@
+# 📋 Documento del Proyecto — Website Craw CSS
+
+> ← [Anterior: 🕷️ Crawl4AI](./04-crawl4ai-ubuntu.md) | [Volver al índice](../README.md)
+
+---
+
+## 1. Iniciación
+
+| Campo | Detalle |
+|-------|---------|
+| **Objetivo** | Automatizar la extracción de productos desde páginas web mediante Crawl4AI, procesar los datos con n8n y exportarlos en formato usable (JSON/archivo) |
+| **Stakeholders** | Equipo de datos/marketing *(consumirá los resultados)*, equipo de IT *(mantendrá el flujo en n8n)* |
+| **Justificación** | Reducir esfuerzo manual en scraping, garantizar consistencia de datos y preparar pipeline para análisis en Google Sheets u otras herramientas |
+
+---
+
+## 2. Planificación
+
+### Requerimientos técnicos
+
+- Servidor con n8n instalado (Ubuntu/Docker)
+- Conexión a Crawl4AI
+- Credenciales: `httpBasicAuth` y `httpHeaderAuth`
+- Acceso a Google Sheets (OAuth2 configurado)
+
+### Alcance
+
+- Número de URLs a escanear: `Array.from({ length: 2 })` → 2 páginas por ahora, escalable
+- **Campos a extraer**: `link`, `título`, `rating` (conteo de estrellas), `descripción`, `precio`, `stock`
+
+### Riesgos
+
+| Riesgo | Descripción |
+|--------|-------------|
+| 🔴 Bloqueo de IP | Crawling excesivo puede resultar en bloqueo por el sitio objetivo |
+| 🟡 Cambio en HTML | Si la estructura de la web cambia, los selectores CSS deben actualizarse |
+| 🟡 Fallos de credenciales | Acceso perdido a Crawl4AI o Google Sheets interrumpe el flujo |
+
+---
+
+## 3. Diseño y Arquitectura
+
+### Flujo de nodos en n8n
+
+```
+Manual Trigger
+      │
+      ▼
+Markdown Crawl Request ──► POST a Crawl4AI con URLs + esquema JSON-CSS
+      │
+      ▼
+Wait (15s) ──────────────► Pausa mientras Crawl4AI procesa
+      │
+      ▼
+Get LLM Crawl ───────────► Recupera resultados por task_id
+      │
+      ▼
+LLM if In Process ───────► ¿Sigue en estado "pending/processing"?
+      │         │
+    [Sí]      [No]
+      │         │
+      └─────────┤
+                ▼
+         LLM Result ──────► Convierte rating a número (star_count)
+                │
+                ▼
+           Split Out ──────► Divide resultados por producto
+                │
+                ▼
+        Convert to File ───► Exporta a archivo final (JSON/CSV)
+                │
+                ▼
+       [Opcional] Google Sheets ── (deshabilitado por defecto)
+```
+
+**Tipo de arquitectura**: Workflow asincrónico con polling + procesamiento + exportación.
+
+---
+
+## 4. Ejecución / Desarrollo
+
+### Implementación inicial
+
+1. Configurar credenciales: `crawl4aiserver`, `panel`, Google Sheets.
+2. Probar con dataset pequeño (2 páginas) para validar selectores CSS.
+
+### Edición futura
+
+- Ampliar `Array.from({ length: N })` para procesar más páginas.
+- Ajustar `baseSelector` y `fields` si cambia la estructura web.
+- Habilitar el módulo de Google Sheets para registro en línea.
+
+---
+
+## 5. Monitoreo y Control
+
+### Logs
+
+Revisar ejecuciones en: **n8n → Execution History**
+
+### KPIs
+
+| Indicador | Descripción |
+|-----------|-------------|
+| % productos extraídos | Porcentaje de productos extraídos correctamente por batch |
+| Tiempo de procesamiento | Tiempo promedio por batch de páginas |
+
+### Control de cambios
+
+- Antes de editar `schema.fields`, probar en ambiente de desarrollo.
+- Documentar versiones del flujo (`versionId` ya está incluido en el JSON de n8n).
+
+---
+
+## 6. Cierre / Entrega
+
+| Entregable | Formato |
+|------------|---------|
+| Archivo de productos estructurados | JSON o CSV |
+| Exportación automática | Google Drive / Google Sheets |
+| Documentación de uso | Este repositorio |
+
+---
+
+> ← [Anterior: 🕷️ Crawl4AI](./04-crawl4ai-ubuntu.md) | [Volver al índice](../README.md)