Témpano en el Lago Grey, Torres del Paine

Metodología

Este portal es un proyecto de ingeniería de datos aplicada al medio ambiente: un pipeline ETL abierto, auditable y de costo cero de operación.

Feeds RSS (18 fuentes)                    GitHub Actions (cron diario)
        │                                          │
        ▼                                          ▼
  etl/ (Python) ──► clasificación ──► dedup ──► data/noticias.json (histórico en Git)
                                                   │
                                                   ▼
                                    web/src/data/portal.json ──► Next.js (SSG) ──► Vercel

1 · Extracción

Un pipeline en Python lee cada día los feeds RSS públicos de 18 fuentes: organismos oficiales (MMA, SEA, CONAF), ONG (Greenpeace, Terram), medios especializados (Ladera Sur, País Circular, Codexverde, Diario Sustentable, Mongabay Latam) y prensa general, económica y sectorial (BioBío, Cooperativa, El Ciudadano, Diario Financiero, Minería Chilena, Revista Electricidad) filtrada por relevancia ambiental.

2 · Transformación

Cada noticia se normaliza (texto plano, fechas ISO-8601 UTC, URLs canónicas sin parámetros de tracking) y se clasifica con reglas transparentes de palabras clave: relevancia ambiental (1–5), hasta 3 temas y regiones de Chile mencionadas.

3 · Deduplicación e histórico

Las noticias nuevas se comparan contra el histórico maestro por URL canónica y título normalizado. El histórico (hasta 3.000 noticias) se versiona en Git: cada ejecución queda auditada en el propio repositorio.

4 · Publicación

El pipeline genera un JSON con KPIs, agregaciones y las últimas noticias. GitHub Actions lo ejecuta a diario y hace commit de los datos; Vercel detecta el cambio y regenera el sitio estático. Sin servidores ni bases de datos que mantener.

Decisiones de diseño

Clasificación por reglas, no por IA: las palabras clave son datos versionados y auditables; cualquiera puede revisar por qué una noticia tiene un tema.
Datos versionados en Git ("baked data"): el histórico completo viaja con el código, lo que da reproducibilidad y auditoría gratis.
Scraping responsable: solo feeds RSS públicos, con identificación de user-agent, pausa entre requests y respeto a los medios de origen (siempre se enlaza la fuente original).
API abierta: los mismos datos del portal están disponibles en /api/noticias para reutilización.