ChemaVXandClaude Fable 5 f210b34e5f feat(scraper): F3 — extractor RSS + detección de feeds con word-boundary ...

detect_source_type ya clasificaba 'rss' pero no había rama en
_process_source: los feeds caían a _extract_web y trafilatura no saca
nada del XML (se descartaban por cortos). Ahora _extract_rss parsea el
feed (feedparser en hilo, como el monitor de noticias) y siembra sus
entries como fuentes nuevas: filtro de relevancia por título/URL,
blacklist, dedupe, cap de 20 y respeto de max_depth. El feed en sí se
marca skipped — es puro descubrimiento, no tiene contenido que trocear.

De paso, la detección pasa de substring puro (clasificaba /feedback y
/atomic como rss) a RSS_RE con límites de palabra. Tests de ambos.

Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>

2026-07-03 15:43:50 +00:00

..

__init__.py

feat: initial ResearchOwl

2026-04-27 13:49:07 +00:00

test_scraper.py

feat(scraper): F3 — extractor RSS + detección de feeds con word-boundary

2026-07-03 15:43:50 +00:00

test_seo_autofill.py

feat(seo): fijar vocabulario de tags ES en el autofill

2026-07-03 07:52:26 +00:00