Repolode
Enviar
laiso

laiso/site2pdf

Herramienta CLI que rastrea un sitio web y reúne todas sus páginas en un PDF para alimentar pipelines de RAG y QA.

Ver en GitHub
Estrellas
321
Forks
34
Issues abiertos
7
Último commit
hace 3 meses

¿Qué es?

site2pdf parte de una URL principal y recopila los enlaces de esa página que coinciden con una expresión regular o un patrón de texto opcionales (por defecto, los del mismo dominio). Luego, renderiza cada página como PDF en Chrome sin interfaz gráfica y combina los resultados en un único documento con pdf-lib. El archivo se guarda en ./out/ con el nombre del dominio del sitio.

El caso de uso principal es preparar contenido de sitios web para herramientas de IA que aceptan archivos, como Google NotebookLM o los GPT personalizados de ChatGPT. Como las páginas se renderizan en un navegador, se conservan las imágenes y el formato, lo que resulta útil para los modelos multimodales. Las páginas se procesan en paralelo para acelerar la generación.

La herramienta requiere Node.js 22.12 o posterior y usa Puppeteer, por lo que necesita un binario de Chrome o Chromium, que se puede indicar mediante la opción --executablePath o la variable CHROME_PATH.

Funciones clave

  • 01Rastrea los enlaces del mismo dominio desde una URL inicial, con filtrado opcional por expresión regular o patrón de texto.
  • 02Renderiza cada página como PDF en Chrome sin interfaz gráfica y conserva las imágenes y el formato.
  • 03Combina todas las páginas en un único PDF con pdf-lib.
  • 04Procesa las páginas en paralelo para acelerar la generación.
  • 05Permite indicar una ruta personalizada a Chrome mediante una opción o una variable de entorno.

Casos de uso

  • Convertir sitios de documentación de productos o API en un solo archivo para NotebookLM o un GPT personalizado.
  • Crear una única copia local sin conexión de una sección de documentación para archivarla.
  • Proporcionar contenido de un sitio web como fuente documental para un pipeline de RAG.

Inicio rápido

  1. 1

    Ejecuta la herramienta directamente con npx (necesita Node.js v22.12 o posterior)

    npx site2pdf-cli https://example.com
  2. 2

    Busca el PDF generado en la carpeta out

Antes de usarlo

  • Requiere Node.js v22.12 o posterior y, en Linux, bibliotecas adicionales del sistema para Puppeteer.
  • En algunos sistemas, como ARM64 Linux, Chrome puede no iniciarse y es posible que tengas que instalar un navegador manualmente.

En colecciones

Herramientas de CLI y terminalHerramientas de PDF, OCR y documentosGeneradores de sitios estáticos y herramientas de documentación

Temas

#pdf#web-scraping#rag#puppeteer#cli#typescript#documentation

Preguntas frecuentes

¿Qué es site2pdf?
Herramienta CLI que rastrea un sitio web y reúne todas sus páginas en un PDF para alimentar pipelines de RAG y QA. site2pdf parte de una URL principal y recopila los enlaces de esa página que coinciden con una expresión regular o un patrón de texto opcionales (por defecto, los del mismo dominio). Luego, renderiza cada página como PDF en Chrome sin interfaz gráfica y combina los resultados en un único documento con pdf-lib. El archivo se guarda en ./out/ con el nombre del dominio del sitio.
¿site2pdf es gratuito? ¿Qué licencia tiene?
site2pdf es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
¿site2pdf sigue mantenido?
Actualizado en los últimos 6 meses. El último commit de site2pdf fue el 21 ago 2026.
¿Para qué puedo usar site2pdf?
Convertir sitios de documentación de productos o API en un solo archivo para NotebookLM o un GPT personalizado. Crear una única copia local sin conexión de una sección de documentación para archivarla. Proporcionar contenido de un sitio web como fuente documental para un pipeline de RAG.
¿Cómo se instala site2pdf?
Ejecuta la herramienta directamente con npx (necesita Node.js v22.12 o posterior): npx site2pdf-cli https://example.com Busca el PDF generado en la carpeta out
¿Dónde consigo site2pdf?
El código fuente y las instrucciones de instalación están en GitHub: https://github.com/laiso/site2pdf

Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.

Proyectos relacionados