Elysia Tools
Navegación
Workflow Playbook
Convierte fuentes mixtas en inventarios revisables de enlaces, atributos, fechas, campos de log y coincidencias sensibles mediante una ruta de extracción deliberada.
Temas
Este flujo está pensado para obtener señales comprobables desde texto bruto, HTML, Markdown o logs. Antes de abrir una herramienta, conserva la fuente y define los campos, el formato, la regla de duplicados y el contexto que verá el revisor. Una pequeña muestra de casos positivos y negativos es una mejor base de aceptación que pedir que se extraiga todo.
Usa text-extractor cuando los campos todavía no están decididos. Si ya sabes que necesitas una colección de URLs, bulk-url-extractor fija un límite más claro. No conviertas HTML en texto plano antes de decidir si los atributos o las fuentes de imagen son parte del resultado: usa primero html-attribute-extractor o image-source-extractor, y después new-html-tag-stripper para una derivación legible. En Markdown, markdown-link-extractor conserva información de la sintaxis que el texto plano puede ocultar.
ip-address-extractor y date-extractor dan campos candidatos, pero el resultado solo se puede revisar si conserva la línea original, el evento cercano y la zona horaria asumida. Compara cantidades y valores representativos con la muestra. Una IP coincidente sigue siendo un valor extraído, no una conclusión sobre identidad, y una fecha no es automáticamente un evento de negocio.
Si la entrada puede contener identificadores de contacto o de red, define autorización y alcance mínimo antes de usar bulk-email-extractor, phone-number-extractor o ip-address-extractor. Limita el acceso a los valores brutos, registra qué campos y filas se entregan y enmascara o seudonimiza la copia de entrega cuando sea necesario. Acepta el resultado solo cuando los campos esperados estén presentes, las coincidencias inesperadas tengan explicación, el contexto se conserve y el artefacto cumpla la política de manejo.
Guía de flujo de trabajo
Guarda una copia intacta y anota los campos esperados. Usa `text-extractor` para una primera pasada sobre texto mixto, o `bulk-url-extractor` si la tarea ya está limitada a recopilar enlaces HTTP y HTTPS. Conserva la línea base para compararla con resultados especializados.
En HTML, usa `html-attribute-extractor` o `image-source-extractor` antes de `new-html-tag-stripper` cuando importen atributos, enlaces o fuentes de imagen; usa el eliminador solo para crear una derivación de texto legible. En Markdown, usa `markdown-link-extractor` y revisa la lista separada del texto.
Usa `ip-address-extractor` para candidatos IPv4 e IPv6 y `date-extractor` para fechas en registros mixtos. Conserva la línea original, el evento cercano y la zona horaria asumida; una IP extraída no demuestra una identidad y una fecha no adquiere por sí sola un significado empresarial.
Usa `text-extractor` para una primera exploración de patrones mixtos cuando aún estás descubriendo los campos. Elige `bulk-url-extractor` u otro extractor específico cuando ya conoces el campo, la regla de deduplicación y el uso del resultado.
En HTML, extrae atributos o fuentes de imagen antes de eliminar etiquetas si el marcado aporta significado. En Markdown, usa `markdown-link-extractor` para distinguir enlaces inline, de referencia y URL sueltas. Trata los logs como registros por línea y no como un párrafo.
Extrae correos, teléfonos o IP solo con autorización y dentro del alcance mínimo. Restringe los valores originales, entrega datos enmascarados o pseudonimizados cuando corresponda y no confundas un extractor con un control de anonimización o cumplimiento.
Si el encargo autorizado incluye identificadores de contacto o red, usa `bulk-email-extractor`, `phone-number-extractor` y, cuando haga falta, `ip-address-extractor` para formar el inventario mínimo. Compara los recuentos con una muestra, restringe los valores brutos y enmascara o pseudonimiza la entrega; las herramientas no anonimizan automáticamente.