Carriles de extracción

Cómo se actualiza cada dataset y con qué cadencia. Resuelve el hueco de documentación del split diario-vs-mensual (TECHDEBT-06): la fuente de verdad operativa son los workflows, esta página es la vista de referencia.

Los cuatro carriles

Carril	Workflow / comando	Cadencia	Datasets
Diario	make extract · job build-and-test de pipeline-check.yml	diaria (10:00 UTC)	regiones, provincias, comunas, comunas_enriquecidas, indicadores, censo_comunal, censo_hogares_viviendas, establecimientos_salud, distritos_electorales, establecimientos_educacionales, resultados_educacionales, indicadores_urbanos_siedu, empresas, pobreza_comunal, consumo_electrico_comunal, partidos_politicos, autoridades_electas, estadisticas_vitales, permisos_edificacion, calidad_aire
Mensual	monthly-scrape.yml	mensual (manual + workflow_dispatch)	finanzas_municipales (sinim_finanzas_live_extractor.py) — delincuencia_comunal degradado a rejected 2026-09-15 y removido de este workflow
Ad hoc / candidate	manual (workflow_dispatch, sin schedule)	a demanda	geometria_comunal (geometria-comunal.yml), autoridades_locales (BCN SIIT + Wikipedia, sin cadencia automática)
Stub (no operativo)	—	nunca desde jobs programados	sinim_finanzas_extractor.py es un fallback de desarrollo; el job diario no debe invocarlo (guardrail: tests/test_ci_config.py::SinimDailyJobGuardrailTests)

Reglas

1. Un extractor por carril. Los extractores diarios corren en make extract; los mensuales, en monthly-scrape.yml; los candidate, en su workflow propio. Nunca mezclar un extractor en dos carriles.
2. El override INE es parte del carril diario de indicadores. Cuando mindicador.cl no entrega el IPC del año en curso, ine_ipc.py scrapea la variación mensual de la página pública del INE (fuente autoritativa) ANTES de recurrir al backfill — el publish diario depende de ese parseo HTML, y su edad está gateada (ADR-016). La cadena multi-fuente completa (agregador → override → backfill) y su escape hatch están decididos en ADR-017.
3. El stub SINIM nunca corre en un job programado. sinim_finanzas_extractor.py siempre escribe 3 filas de muestra; el snapshot real mensual vive versionado en git y lo restaura pipeline-check.yml tras un restore de caché obsoleto.
4. Degradación de autoridades_electas sin scrapling. En CI este extractor se invoca con uv run --no-project --with "scrapling[fetchers]" (entorno efímero, conflicto de click con el extra dev — ver pyproject.toml). Sin scrapling degrada a 155 registros (0 senadores) y rompe el gate "Check build-synced files".
5. perfil_territorial_comunal no tiene extractor: es derivado en build_dev_db.py a partir de otros datasets.
6. geometria_comunal es candidate (ADR-012): su artefacto se publica desde geometria-comunal.yml, fuera del bundle estable y del guard de 500 KB.

Cómo verificar el carril de un dataset

La fuente de verdad del mapeo dataset↔extractor es data/dataset_catalog_config.json (campo extractor); el carril de publicación (candidate/stable_publishable), maturity_status y confidence_tier viven en data/source_registry.json.