778db90d78
- WIKIPEDIA/main.py: import buscar_articulos y obtener_contenido_wikipedia - myenv: instalados wikipedia, wikipedia-api, deep-translator - PIPELINE_MAESTRO.md: tabla de errores conocidos, Nice/CPUQuota, timer 2d - SEGURIDAD.md: tabla de fixes aplicados en producción Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>
289 lines
7.9 KiB
Markdown
289 lines
7.9 KiB
Markdown
# Pipeline Maestro — Contexto técnico FLUJOS
|
||
**Fecha:** 2026-04-21
|
||
**Archivo:** `FLUJOS_DATOS/pipeline_maestro.py`
|
||
**Scheduler:** systemd timer (semanal, domingos 3:00 AM)
|
||
|
||
---
|
||
|
||
## Visión general
|
||
|
||
El pipeline maestro orquesta las tres fases del sistema en orden estricto:
|
||
|
||
```
|
||
FASE 1 — SCRAPING
|
||
├── Wikipedia (main.py) → colección wikipedia
|
||
├── Noticias (main_noticias.py) → colección noticias
|
||
└── Imágenes Wikipedia (wikipedia_image_scraper.py) → colección imagenes_wiki
|
||
|
||
FASE 2 — ANÁLISIS
|
||
├── Qwen3-VL imágenes (pipeline_imagenes.py --analizar) → colección imagenes
|
||
└── Tokenización texto (pipeline_mongolo.py) → colección noticias/wikipedia (actualiza)
|
||
|
||
FASE 3 — COMPARACIÓN
|
||
└── Similitud entre documentos (pipeline_completo.py) → colección comparaciones
|
||
```
|
||
|
||
---
|
||
|
||
## Ejecución
|
||
|
||
```bash
|
||
# Ejecución completa (las 3 fases)
|
||
/var/www/theflows.net/flujos/FLUJOS_DATOS/myenv/bin/python3 pipeline_maestro.py
|
||
|
||
# Solo una fase
|
||
python pipeline_maestro.py --solo-fase scraping
|
||
python pipeline_maestro.py --solo-fase analisis
|
||
python pipeline_maestro.py --solo-fase comparacion
|
||
|
||
# Forzar re-ejecución ignorando cooldown de 20h
|
||
python pipeline_maestro.py --forzar
|
||
python pipeline_maestro.py --solo-fase scraping --forzar
|
||
```
|
||
|
||
---
|
||
|
||
## Control de estado — MongoDB `pipeline_log`
|
||
|
||
Cada fase registra inicio, fin y stats en la colección `pipeline_log`:
|
||
|
||
```json
|
||
{
|
||
"fase": "scraping",
|
||
"estado": "completado" | "en_progreso" | "error",
|
||
"inicio": ISODate("2026-04-20T03:00:00Z"),
|
||
"fin": ISODate("2026-04-20T04:15:00Z"),
|
||
"stats": {
|
||
"wikipedia_nuevos": 45,
|
||
"noticias_nuevos": 312,
|
||
"imagenes_wiki_nuevas": 60
|
||
}
|
||
}
|
||
```
|
||
|
||
### Lógica de "¿necesita correr?"
|
||
|
||
```python
|
||
def fase_necesita_correr(db, fase, forzar=False):
|
||
if forzar: return True
|
||
ultimo = db['pipeline_log'].find_one({'fase': fase}, sort=[('inicio', -1)])
|
||
if not ultimo: return True # nunca corrió
|
||
if ultimo['estado'] != 'completado': return True # última ejecución falló
|
||
if utcnow() - ultimo['fin'] < timedelta(hours=20):
|
||
return False # cooldown activo
|
||
return True
|
||
```
|
||
|
||
---
|
||
|
||
## Lockfile — prevención de instancias simultáneas
|
||
|
||
```python
|
||
LOCK_FILE = Path("/tmp/flujos_pipeline.lock")
|
||
|
||
class PipelineLock:
|
||
def __enter__(self):
|
||
self._f = open(LOCK_FILE, "w")
|
||
fcntl.flock(self._f, fcntl.LOCK_EX | fcntl.LOCK_NB) # non-blocking
|
||
# Si ya hay lock → BlockingIOError → log.error + sys.exit(1)
|
||
```
|
||
|
||
Si el pipeline muere abruptamente, el lock se libera automáticamente cuando el proceso termina (el SO libera todos los file locks del proceso muerto).
|
||
|
||
---
|
||
|
||
## Índices de deduplicación (idempotente)
|
||
|
||
```python
|
||
def setup_indices(db):
|
||
indices = {
|
||
"wikipedia": [("archivo", ASCENDING)],
|
||
"noticias": [("archivo", ASCENDING)],
|
||
"imagenes": [("archivo", ASCENDING)],
|
||
"imagenes_wiki": [("archivo", ASCENDING)],
|
||
# comparaciones: SIN índice único (52M docs con posibles duplicados)
|
||
}
|
||
for col, keys in indices.items():
|
||
db[col].create_index(keys, unique=True, background=True)
|
||
```
|
||
|
||
Se ejecuta al inicio de cada pipeline. `create_index` es idempotente — no falla si el índice ya existe.
|
||
|
||
---
|
||
|
||
## Fase 3 — Modo incremental
|
||
|
||
La comparación usa el flag `--desde` para solo comparar documentos nuevos:
|
||
|
||
```python
|
||
ultima = ultima_ejecucion_completada(db, "comparacion")
|
||
if ultima:
|
||
args = ["--desde", ultima.strftime("%Y-%m-%d")]
|
||
# pipeline_completo.py solo procesa docs con fecha >= ultima ejecución
|
||
```
|
||
|
||
Esto evita re-comparar los 52M pares existentes en cada ejecución.
|
||
|
||
---
|
||
|
||
## Systemd — configuración
|
||
|
||
**Archivos instalados en `/etc/systemd/system/`:**
|
||
|
||
### flujos-pipeline.service
|
||
|
||
```ini
|
||
[Unit]
|
||
Description=FLUJOS Pipeline Maestro
|
||
After=network.target mongod.service
|
||
Requires=mongod.service
|
||
|
||
[Service]
|
||
Type=oneshot
|
||
User=capitansito
|
||
WorkingDirectory=/var/www/theflows.net/flujos/FLUJOS_DATOS
|
||
Environment=MONGO_URL=mongodb://localhost:27017
|
||
Environment=DB_NAME=FLUJOS_DATOS
|
||
ExecStart=/var/www/theflows.net/flujos/FLUJOS_DATOS/myenv/bin/python3 \
|
||
/var/www/theflows.net/flujos/FLUJOS_DATOS/pipeline_maestro.py
|
||
TimeoutStartSec=43200
|
||
Nice=15
|
||
CPUQuota=400%
|
||
StandardOutput=journal
|
||
StandardError=journal
|
||
|
||
[Install]
|
||
WantedBy=multi-user.target
|
||
```
|
||
|
||
`Nice=15` + `CPUQuota=400%` limita el pipeline a ~4 cores para no saturar el servidor (Qwen en CPU puede usar 1000%+ por instancia sin esto).
|
||
|
||
### flujos-pipeline.timer
|
||
|
||
```ini
|
||
[Unit]
|
||
Description=Ejecutar FLUJOS Pipeline cada 2 dias a las 03:00
|
||
Requires=flujos-pipeline.service
|
||
|
||
[Timer]
|
||
OnBootSec=2min
|
||
OnUnitActiveSec=2d
|
||
Persistent=true
|
||
Unit=flujos-pipeline.service
|
||
|
||
[Install]
|
||
WantedBy=timers.target
|
||
```
|
||
|
||
Cambiado de semanal (`OnCalendar=Sun`) a cada 2 días (`OnUnitActiveSec=2d`) el 2026-04-22. `Persistent=true` hace que si el servidor estaba apagado cuando tocaba, el timer se dispara 2 minutos después del siguiente arranque.
|
||
|
||
### Comandos de gestión
|
||
|
||
```bash
|
||
# Ver estado del timer
|
||
systemctl status flujos-pipeline.timer
|
||
|
||
# Ver logs del último pipeline
|
||
journalctl -u flujos-pipeline.service -n 100
|
||
|
||
# Lanzar manualmente
|
||
systemctl start flujos-pipeline.service
|
||
|
||
# Habilitar/deshabilitar timer
|
||
systemctl enable flujos-pipeline.timer
|
||
systemctl disable flujos-pipeline.timer
|
||
|
||
# Ver cuándo es la próxima ejecución
|
||
systemctl list-timers flujos-pipeline.timer
|
||
```
|
||
|
||
---
|
||
|
||
## Cooldown y tiempos esperados de ejecución
|
||
|
||
| Fase | Cooldown mínimo | Tiempo estimado |
|
||
|---|---|---|
|
||
| scraping | 20h | 2–6h (depende de medios accesibles) |
|
||
| analisis | 20h | 1–4h (Qwen en CPU es lento: ~3 min/imagen) |
|
||
| comparacion | 20h | Variable (incremental: 30 min / full: varios días) |
|
||
|
||
---
|
||
|
||
## Resumen de estadísticas al final
|
||
|
||
Al completar, el pipeline imprime en el log:
|
||
|
||
```
|
||
Estado MongoDB:
|
||
wikipedia : 5,234
|
||
noticias : 21,456
|
||
imagenes : 150
|
||
imagenes_wiki : 500
|
||
comparaciones : 52,100,000
|
||
```
|
||
|
||
---
|
||
|
||
## Log del pipeline
|
||
|
||
```
|
||
FLUJOS_DATOS/pipeline_maestro.log → log principal (en .gitignore)
|
||
```
|
||
|
||
También visible en journald:
|
||
```bash
|
||
journalctl -u flujos-pipeline.service --since "2026-04-20"
|
||
```
|
||
|
||
---
|
||
|
||
## Errores conocidos y fixes aplicados (2026-04-22)
|
||
|
||
| Script | Error | Fix |
|
||
|---|---|---|
|
||
| `WIKIPEDIA/main.py` | `NameError: buscar_articulos` no definida | Añadido `from wikipedia_utils import buscar_articulos, obtener_contenido_wikipedia` |
|
||
| `WIKIPEDIA/main.py` | `ModuleNotFoundError: wikipedia` | `pip install wikipedia` en myenv |
|
||
| `WIKIPEDIA/main.py` | `ModuleNotFoundError: wikipediaapi` | `pip install wikipedia-api` en myenv |
|
||
| `NOTICIAS/main_noticias.py` | `ModuleNotFoundError: deep_translator` | `pip install deep-translator` en myenv |
|
||
|
||
Todos los módulos se instalan dentro del entorno virtual:
|
||
```bash
|
||
/var/www/theflows.net/flujos/FLUJOS_DATOS/myenv/bin/python3 -m pip install <modulo>
|
||
```
|
||
No usar `pip` directamente (el ejecutable `pip` del venv puede estar roto; usar `python3 -m pip`).
|
||
|
||
---
|
||
|
||
## Dependencias Python
|
||
|
||
```
|
||
pymongo
|
||
bson # ObjectId (incluido con pymongo)
|
||
fcntl # stdlib Python
|
||
argparse # stdlib Python
|
||
subprocess
|
||
```
|
||
|
||
El pipeline maestro solo llama a los sub-scripts vía `subprocess.run()`, no importa sus módulos directamente.
|
||
|
||
---
|
||
|
||
## Flujo completo diagram
|
||
|
||
```
|
||
pipeline_maestro.py
|
||
│
|
||
├── setup_indices(db) # crea índices únicos
|
||
│
|
||
├── [FASE 1] fase_scraping()
|
||
│ ├── subprocess: WIKIPEDIA/main.py
|
||
│ ├── subprocess: NOTICIAS/main_noticias.py
|
||
│ └── subprocess: IMAGENES/wikipedia_image_scraper.py --flujos --max 20 --mongo
|
||
│
|
||
├── [FASE 2] fase_analisis()
|
||
│ ├── subprocess: IMAGENES/pipeline_imagenes.py --analizar --carpeta ... --mongo
|
||
│ └── subprocess: COMPARACIONES/pipeline_mongolo.py
|
||
│
|
||
└── [FASE 3] fase_comparacion()
|
||
└── subprocess: COMPARACIONES/pipeline_completo.py [--desde YYYY-MM-DD]
|
||
```
|