ReflexDocScraper

ReflexDocScraper es una herramienta automatizada para extraer y estructurar la documentación de Reflex. Utiliza web scraping multihilo para extraer el contenido de la documentación técnica disponible en el sitio, limpiarlo y guardarlo en archivos Markdown bien formateados. Al finalizar, la documentación completa es comprimida en un archivo ZIP.

Características

• Scraping multihilo: Extrae la documentación de Reflex de manera paralela, mejorando el rendimiento y reduciendo el tiempo de ejecución.
• Almacenamiento en Markdown: Toda la documentación extraída se guarda en archivos Markdown con una estructura clara y ejemplos de código bien formateados.
• Comprimido en ZIP: Al finalizar el scraping, toda la documentación es comprimida en un archivo ZIP para facilitar su almacenamiento o distribución.

Requisitos

Para ejecutar ReflexDocScraper, necesitas tener instaladas las siguientes bibliotecas de Python:

• httpx - Cliente HTTP asíncrono y moderno.
• selectolax - Parser HTML ultra rápido basado en lexbor.
• shutil - Biblioteca estándar para operaciones de archivos (ya viene con Python).

Puedes instalarlas con el siguiente comando:

pip install httpx selectolax

Instalación

1. Clona este repositorio en tu máquina local:

   git clone https://github.com/tu_usuario/ReflexDocScraper.git

2. Instala las dependencias necesarias:

   pip install -r requirements.txt

3. Ejecuta el script principal para comenzar el scraping:

   python reflex_doc_scraper.py

Uso

Este proyecto scrapeará toda la documentación disponible en Reflex bajo la ruta /docs/ y la guardará en archivos Markdown.

Ejecución

1. Ejecuta el siguiente comando para comenzar el scraping:

   python reflex_doc_scraper.py

2. Al finalizar, se creará una carpeta llamada docs/ que contendrá todos los archivos Markdown generados.

3. Además, se comprimirá la carpeta docs en un archivo ZIP llamado reflex_docs.zip que contendrá toda la documentación en un formato portátil.

Estructura del Markdown generado

Cada archivo Markdown tendrá la siguiente estructura:

# Título de la Página

**URL**: https://reflex.dev/docs/algun-enlace/

Descripción extraída de la documentación.

## Examples

```python
# Ejemplo de código extraído de la documentación
def example():
    pass

## Ejemplo de salida

Al ejecutar el script, generará archivos Markdown organizados en la carpeta `docs/` y un archivo comprimido `reflex_docs.zip`.

docs/ getting_started.md installation.md components.md axis.md ... reflex_docs.zip

## Personalización

### Número de hilos

Por defecto, el scraping se realiza utilizando 10 hilos para acelerar el proceso. Puedes ajustar este número en el archivo `reflex_doc_scraper.py` cambiando el valor de `max_workers` en la siguiente línea:

```python
with concurrent.futures.ThreadPoolExecutor(max_workers=10) as executor:

URLs a scrapear

El scraper extrae automáticamente las URLs desde el sitemap de Reflex (https://reflex.dev/sitemap-0.xml), filtrando aquellas que pertenecen a /docs/. Si quieres añadir más URLs o modificar el comportamiento, puedes cambiar la lógica dentro de la función get_docs_urls().

Contribuciones

¡Las contribuciones son bienvenidas! Si encuentras algún problema o tienes alguna sugerencia para mejorar el proyecto, no dudes en crear un issue o enviar un pull request.

Licencia

Este proyecto está licenciado bajo la licencia MIT. Consulta el archivo LICENSE para más detalles.