Extraeré datos de sitios web y documentos en datos limpios en markdown para llm y rag

¿Necesitas convertir un sitio web o documentación en datos limpios y estructurados? Eso es lo que hago.

Construyo scrapers personalizados en Python que recorren un sitio y convierten cada página en Markdown, CSV o JSON limpio, con metadatos, un manifiesto y un informe de cobertura para que sepas exactamente qué se capturó. Ideal para datasets de llm y rag, bases de conocimientos, investigaciones y migraciones.

Lo que obtienes:

- Datos limpios y estructurados en el formato que prefieras

- Deducción de duplicados + informe de cobertura (sin basura, sin páginas faltantes)

- Sitios renderizados con JavaScript gestionados con Playwright, no solo HTML estático

- Datos que ejecuto y verifico antes de entregarlos

Cómo trabajo, con honestidad:

- Respeto robots.txt, límites de tasa y términos del sitio

- Sin eludir anti-bot ni CAPTCHA. Si un sitio está protegido activamente, te lo diré antes de que hagas el pedido

- Los scrapers dependen de la estructura actual del sitio; cambios futuros son una tarea aparte

¿Quieres el código fuente o actualizaciones periódicas de datos? Ambos están disponibles como complementos.

Envíame un mensaje con el sitio y los datos que necesitas, y te diré honestamente si encaja bien y cómo lo abordaría.