Verificar una fuente de datos

Comprueba si una fuente externa se puede integrar al pipeline, con peticiones reales, no por suposición. Este proyecto ya cometió el error de afirmar que un robots.txt prohibía el acceso sin haberlo leído; esa afirmación casi cuesta la mejor fuente de datos del proyecto.

Regla ética que gobierna esta verificación

Un sitio que bloquea explícitamente a los rastreadores de IA queda descartado, sin excepción, aunque nuestro colector use un User-Agent propio que no caiga bajo esos nombres. Disfrazar el origen para evadir una restricción declarada es incompatible con un proyecto que exige transparencia a un operador de servicios públicos.

Si el veredicto es "bloqueado", no propongas formas de sortearlo. Propón la vía indirecta legítima (por ejemplo, Google News RSS) o descarta la fuente.

Procedimiento

Paso 1 — Leer el robots.txt (obligatorio, siempre primero)

WebFetch: https://<dominio>/robots.txt

Busca literalmente estos nombres de agente:

anthropic-ai · Claude-Web · ClaudeBot · GPTBot · CCBot · ChatGPT-User · OAI-SearchBot

• Si aparece cualquiera con Disallow: / → VEREDICTO: DESCARTADA. Detente aquí. No pruebes más endpoints de ese dominio.
• Anota también qué rutas están prohibidas para User-agent: *.

Paso 2 — Buscar el punto de entrada estructurado

En orden de preferencia (de mejor a peor):

1. API REST documentada — lo ideal
2. API REST de WordPress — prueba /wp-json/wp/v2/posts (así se encontró la fuente de Acuacar)
3. Feed RSS/Atom — prueba /feed/, /rss.xml, /feed.xml, /atom.xml
4. Sitemap — prueba /sitemap.xml, /sitemap_index.xml
5. HTML — último recurso, frágil, evítalo si hay cualquier alternativa

Paso 3 — Probar la respuesta de verdad

Haz la petición y registra el resultado literal:

• Código HTTP
• Content-Type
• Tamaño de la respuesta
• Si es JSON o XML: qué campos trae realmente
• Cabeceras de paginación si existen (X-WP-Total, X-WP-TotalPages)

No reportes que algo "funciona" si no viste la respuesta. Un 429 Too Many Requests significa pendiente de reintentar, no descartado — anótalo así.

Paso 4 — Evaluar la utilidad real

• ¿El contenido habla de cortes de agua en Cartagena, o es genérico?
• ¿Con qué frecuencia se actualiza?
• ¿Trae fecha estructurada, o hay que inferirla del texto?
• ¿Hay forma de pedir solo lo nuevo? (?after=, ?modified_after=, If-Modified-Since)

Formato del reporte

### <Nombre de la fuente> — <dominio>

| Verificación | Resultado |
|---|---|
| `robots.txt` | <qué dice sobre agentes de IA y sobre `*`> |
| Punto de entrada | <URL exacta probada> |
| Respuesta | HTTP <código> · <content-type> · <tamaño> |
| Campos útiles | <lista real, no supuesta> |
| Actualización | <frecuencia observada> |

**Veredicto:** ✅ Usar · ⚠️ Permitida, pendiente de <qué> · ⏳ Reintentar · ❌ Descartada
**Motivo:** <una línea>
**Capa del pipeline:** L1 oficial · L2 prensa · L3 social · L4 ciudadana · ninguna

Al terminar

1. Informa el resultado en la conversación, con su tabla resumen; si pasa a ser fuente en uso, anótala en docs/06-etica-de-datos.md.
2. Si es un hallazgo relevante, dilo explícitamente al usuario.
3. Si la fuente queda descartada por bloqueo de IA, agrégala a la lista deny de .claude/settings.json para que la regla sea imposible de violar por accidente.