---
name: cdp_extract_recipe
kind: pipeline
lang: py
domain: pipelines
version: "1.2.0"
purity: impure
signature: "def cdp_extract_recipe(recipe_path: str, debug_port: int = 9222, tab_id: str | None = None, record_run: bool = True) -> dict"
description: "Ejecuta una recipe YAML contra Chrome remoto via CDP. Valida recipe, busca tab por url_pattern, ejecuta steps (wait_selector/js) y envia resultado al sink declarado."
tags: [navegator, cdp, recipe, scraping, pipeline]
uses_functions: [validate_recipe_yaml_py_core, data_factory_record_run_py_pipelines]
uses_types: []
returns: []
returns_optional: false
error_type: "error_go_core"
imports: [json, re, sys, os, time, urllib.request, websocket]
params:
  - name: recipe_path
    desc: "Ruta al archivo .yaml de la recipe (absoluta o relativa al cwd)."
  - name: debug_port
    desc: "Puerto de depuracion remota de Chrome. Default 9222."
  - name: tab_id
    desc: "ID del tab a usar. Si None, busca tab cuyo URL matchee url_pattern de la recipe."
  - name: record_run
    desc: "Si True, registra la ejecucion en data_factory.runs (para sink 'data_factory.runs' y 'duckdb')."
output: "dict {status: ok|error, rows_out: int, kb_out: float, duration_ms: int, error: str, sample_rows: list}"
tested: false
tests: []
test_file_path: ""
file_path: "python/functions/pipelines/cdp_extract_recipe.py"
---

## Ejemplo

```python
import sys
sys.path.insert(0, "python/functions")
from pipelines.cdp_extract_recipe import cdp_extract_recipe

result = cdp_extract_recipe(
    recipe_path="recipes/product_list.yaml",
    debug_port=9222,
)
print(result["status"], result["rows_out"], "rows")
# ok 42 rows
```

Recipe de ejemplo (`recipes/product_list.yaml`):
```yaml
name: product_list
url_pattern: "https://shop\\.example\\.com/products.*"
steps:
  - wait_selector: ".product-card"
  - js: "Array.from(document.querySelectorAll('.product-card')).map(e => ({name: e.querySelector('h2').innerText, price: e.querySelector('.price').innerText}))"
output:
  sink: stdout
```

## Cuando usarla

Cuando tienes una recipe YAML validada y Chrome corriendo con remote debugging, y quieres extraer datos en un solo paso sin montar pipeline manualmente. Encadena con `cdp_open_url_and_wait` si necesitas abrir la URL primero.

## Capability growth log

- v1.2.0 (2026-05-16) — sink `duckdb` writes rows to a DuckDB file + registers run in data_factory.runs with storage_db_id/storage_table for traceability.

## Gotchas

- Chrome debe estar corriendo con `--remote-debugging-port=<debug_port>`.
- `wait_selector` usa polling sync sobre el WebSocket (200ms interval, 10s timeout) — no apto para paginas con lazy load muy largo.
- El ultimo step `js` debe devolver el dato final (array o valor). Steps intermedios pueden preparar el DOM.
- `data_factory_record_run` falla silenciosamente si no hay DB configurada — el dato ya fue extraido y devuelto.
- `websocket-client` debe estar instalado en el venv.