graph_explorer/issues/0029-enrichers-cdp.md at 65a14749f3d99e644fca0e3349c3eecef0eb7977

Files

T

egutierrez 9042110ea2 docs(issues): plan enrichers asincronos + recoleccion web (0026-0030)

Cinco issues que componen el plan:
- 0026: sistema de jobs (infra, contrato wire)
- 0027: tipo Webpage + cache de documentos
- 0028: enricher fetch_webpage (MVP end-to-end)
- 0028b: enrichers extract_domain / extract_links / extract_text_entities
- 0029: variantes CDP (Chrome headless, screenshot)
- 0030: macro "Deep enrich" + expand_domain

Tambien anade los issues previos 0012-0025 que estaban untracked.

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

2026-05-01 18:24:13 +02:00

1.9 KiB

Raw Blame History

id, title, status, priority, created, depends_on

title

status

priority

created

depends_on

0029

Enrichers via Chrome headless (CDP) — fetch_webpage_browser, fetch_screenshot

pending

medium

2026-05-01

0028

Objetivo

Variantes de los enrichers basicos que usan Chrome headless via CDP, para sitios con contenido renderizado por JavaScript (SPA, paginas con auth visual, etc.) o cuando se quiere capturar evidencia visual.

1. `fetch_webpage_browser`

applies_to: [Url, Webpage]
emits: [Domain]
relations: [BELONGS_TO]
params:
  - { name: chrome_port, type: int, default: 9222 }
  - { name: wait_after_load_ms, type: int, default: 1500 }

Usa funciones del registry:
- chrome_launch_go_browser — lanza Chrome en port (reusa si ya esta).
- cdp_connect_go_browser
- cdp_navigate_go_browser
- cdp_wait_load_go_browser
- cdp_get_html_go_browser — DOM post-JS.
El run.py shell-out a un binario Go pequeno o llama estas funciones via un wrapper Python que invoca el Go function como subprocess.
Decision pendiente: empaquetar las funciones Go en un binario CLI cdp-fetcher que el run.py invoque, o reescribir la logica en Python con pychrome / playwright. Preferencia: binario Go para reusar las funciones del registry.

2. `fetch_screenshot`

applies_to: [Webpage, Url]
params:
  - { name: full_page, type: bool, default: true }

cdp_screenshot_go_browser → guarda cache/<sha>.png.
node_updates: anade screenshot_path a metadata del Webpage.
No emite entidades nuevas.

Definicion de hecho

fetch_webpage_browser extrae correctamente DOM de una SPA (test: twitter.com, linkedin.com publico).
fetch_screenshot produce PNG legible en el cache.
Inspector del nodo Webpage muestra una preview del screenshot cuando screenshot_path existe (mejora UI opcional).

Out of scope

Login flows / auth via CDP — fuera de v1.
Adblock / fingerprint evasion — el user-agent default es suficiente.

1.9 KiB Raw Blame History