Agregador de noticias

Diseño en dos pasadas: distill la home de cada fuente para descubrir URLs de artículos, luego Extract registros estructurados de titulares desde esas URLs.

Flujo

Pasada 1 — /batch/distill sobre la home de cada fuente con include: ["links"]
Filtra los enlaces descubiertos por patrón (p. ej. la fecha de hoy, rutas de artículos)
Pasada 2 — /batch/extract sobre las URLs filtradas con un JSON Schema de titular
El Webhook se dispara cuando ambas pasadas terminan; ingéstalo en tu store

Schema

{
  "type": "object",
  "properties": {
    "title":       { "type": "string", "description": "The article headline" },
    "url":         { "type": "string", "description": "Canonical article URL" },
    "publishedAt": { "type": "string", "description": "ISO-8601 publish timestamp" },
    "summary":     { "type": "string", "description": "1-2 sentence summary" }
  },
  "required": ["title", "url"]
}

Boceto de implementación

import httpx

API = "https://openapi.thunderbit.com/openapi/v1"
H = {"Authorization": "Bearer YOUR_API_KEY"}

# Pass 1: distill homepages, collect article URLs
sources = ["https://news.example.com", "https://blog.example.org"]
home_job = httpx.post(f"{API}/batch/distill",
                      headers=H,
                      json={"urls": sources, "include": ["links"]}).json()
# (poll until COMPLETED — see Batch Job Lifecycle guide)

article_urls = []
for r in home_job["data"]["results"]:
    if r["status"] == "SUCCEEDED":
        article_urls += [u for u in r["links"] if "/article/" in u]

# Pass 2: extract structured headlines
extract_job = httpx.post(f"{API}/batch/extract",
                         headers=H,
                         json={"urls": article_urls, "schema": SCHEMA}).json()

Consejos

Cachea los resultados de la home (TTL de 5-10 min) para no quemar créditos en los mismos titulares
Define un countryCode si una fuente localiza su home por IP
Deduplica por URL canónica o hash de contenido — el mismo titular suele aparecer en múltiples fuentes

Relacionado

Esta receta se está ampliando con un orquestador completo de dos pasadas — vuelve pronto.

Flujo

Schema

Boceto de implementación

Consejos

Relacionado

On this page