---
id: 0003
title: Enricher web — descargar URL/dominio y extraer texto
status: pending
priority: medium
created: 2026-04-30
---

## Objetivo

Right-click sobre un nodo `url` o `domain` → "Run enricher → Fetch & extract
text". Descarga el HTML, extrae el texto principal, crea un nodo `text`
conectado al origen con relacion `FETCHED_FROM`.

Despues el usuario puede encadenar: sobre ese nodo `text`, ejecutar el enricher
GLiNER+GLiREL (issue 0002) para extraer entidades.

## Alcance

- HTTP GET con timeout (libcurl o sys WinHTTP).
- Extraccion de texto: regex/strip de tags simple en v1; v2 usa una lib
  (htmlparser2 / lexbor / boost.url + algo de heuristica).
- User-agent identificativo, respeto de robots.txt opcional (out-of-scope v1).
- Limite de tamaño descargable (1 MB) para evitar bloqueos.

## Modelo de etiquetado

- Nodo origen (url/domain) → arista `FETCHED_FROM` → nodo nuevo (text con
  metadata={fetched_at, status_code, content_type, length}).
- Nombre del nodo text: titulo de la pagina (si <title> existe) o primeros
  120 caracteres del cuerpo.

## Definicion de hecho

- Funciona contra una URL real (https con TLS).
- Maneja errores (404, timeout, redirects basicos) sin tumbar la app.
- El nodo creado es visible y el texto se puede consumir por el enricher
  GLiNER+GLiREL del issue 0002.