Web to LLM Spanish — RAG-ready content extractor
Pricing
from $0.00025 / actor start
Go to Apify Store

Web to LLM Spanish — RAG-ready content extractor
Crawls Spanish-language websites and extracts clean markdown content optimized for LLM RAG pipelines. Handles Spanish character encoding, removes boilerplate, and outputs structured chunks ready for embedding.
Pricing
from $0.00025 / actor start
Rating
0.0
(0)
Developer
Ernesto de Armas
Maintained by CommunityActor stats
0
Bookmarked
2
Total users
0
Monthly active users
6 days ago
Last modified
Categories
Share
Web to LLM Spanish 🇪🇸
Convierte sitios web en español en contenido limpio listo para RAG pipelines, LLM training y fine-tuning.
🚀 Características
- ✅ Crawlea sitios web en español con manejo correcto de encoding
- ✅ Extrae contenido limpio (markdown, texto plano o HTML)
- ✅ Elimina automáticamente navegación, ads, footers y boilerplate
- ✅ Divide contenido en chunks optimizados para RAG
- ✅ Detecta idioma automáticamente
- ✅ Incluye metadatos (título, descripción, URL fuente)
📋 Input
| Campo | Tipo | Default | Descripción |
|---|---|---|---|
| startUrls | Array | — | URLs semilla para comenzar el crawl |
| maxPages | Integer | 100 | Máximo de páginas a crawlear |
| outputFormat | String | "markdown" | Formato: markdown, text, o html |
| chunkSize | Integer | 2000 | Tamaño de chunk en caracteres (0 = sin split) |
| chunkOverlap | Integer | 200 | Superposición entre chunks |
| removeBoilerplate | Boolean | true | Eliminar navegación y ads |
| includeMetadata | Boolean | true | Incluir metadatos en output |
📊 Output
Cada registro incluye:
url— URL fuentetitle— Título de la páginacontent— Contenido extraído en el formato elegidolanguage— Idioma detectadochunkIndex/totalChunks— Posición del chunkcharCount/wordCount— EstadísticascrawledAt— Timestamp ISO
💰 Pricing
Pay-Per-Event (PPE): $0.25 por cada 1,000 páginas procesadas. Sin costo adicional por cómputo.
🎯 Casos de uso
- Alimentar pipelines RAG con contenido en español
- Preparar datasets para fine-tuning de LLMs
- Monitorear contenido de sitios web hispanos
- Investigación académica y de mercado en LatAm
Creado con Hermes Agent 🤖