Cobertura de fuentes

API OCDS consultada por ventanas mensuales (6 meses). La tabla acumula todos los snapshots, por eso no hay un total publicado comparable con total_in_db.

La API OCDS reporta 88 publicaciones en 9 páginas (medido 2026-09-22) y el scraper las recorre TODAS: no hay hueco de paginación. Su unidad (publicaciones por snapshot) no es comparable con las filas de opportunities (releases acumulados de varios snapshots), así que expected_total queda NULL. Suspect: una corrida reporta ~8,930 releases y la tabla tiene 6,655 ocids distintos (74%): hay ocids repetidos dentro de la misma corrida.; suspect: la corrida 2026-09-22 reportó 8930 registros y la tabla tiene 6655 (75%): revisar duplicados dentro de la corrida o upserts descartados

La corrida pide sólo pages=3 x rows_per_page=100 (registry), así que captura ~46% del catálogo vivo de una pasada; el resto se acumula en corridas sucesivas (total_in_db > expected_total). Subir pages en tasks/scraper_registry.py sube la cobertura proporcionalmente.

El scraper recorre TODAS las notas de su ventana de 30 días (pagina hasta totalRegistros), por eso la cobertura de la última corrida tiende a 100%. La tabla acumula varias ventanas solapadas, así que total_in_db PUEDE superar expected_total.

Fuente que existía en `sources` desde la migración 001 pero SIN scraper (0 filas). Se implementó el scraper en sep-2026 con max_pages=5 (500 expedientes por corrida): la cobertura es deliberadamente parcial, no un fallo de ingesta. El archivo completo son ~2.2M expedientes (22,160 páginas de 100).

El servicio SICOM devuelve todo el catálogo (~824 filas) y el scraper DESCARTA las publicadas antes del corte months_back=24, pero records_found cuenta las filas descargadas, no las escritas: por eso la tabla (324) es menor que rows_captured (824). El suspect es un artefacto de conteo verificado en el scraper, no pérdida de datos. Sin total publicado comparable.; suspect: la corrida 2026-09-22 reportó 824 registros y la tabla tiene 324 (39%): revisar duplicados dentro de la corrida o upserts descartados

El portal municipal devuelve 0 filas o error con frecuencia (70 de 151 corridas fallidas); el listado cambia de URL por año (licitaciones2025). Sin total publicado comparable. Aparece como suspect porque la última corrida con datos capturó 384 registros y la tabla tiene 281.; última corrida 2026-09-22 con status 'error'; suspect: la corrida 2026-09-11 reportó 384 registros y la tabla tiene 281 (73%): revisar duplicados dentro de la corrida o upserts descartados

Portal estatal HTML sin captcha (HTTP 200 directo, verificado sep-2026). El scraper recorre todas las páginas del listado (7 páginas / 20 por página), por eso la cobertura debe ser ~100%. El portal NO publica fecha de publicación: published_at queda NULL y el año se guarda en metadata.

El scraper toma todos los documentos de convocatoria de la única página (41 el 2026-09-22). El portal no publica un total independiente.

Dataset OCDS del INFOEM ingerido completo (13 releases, igual que la última corrida). Sin total publicado.

El scraper intenta la API viva del ITAIPUE y cae al espejo OCP Data Registry /publication/109. Ese archivo (full.jsonl.gz) contiene SÓLO 4 releases, todos del 2021-11-03 y del propio ITAIPUE (compras internas del instituto, no licitaciones del estado): verificado descargando el mirror el 2026-09-22. La fuente aporta 4 filas y no es representativa de las contrataciones de Puebla: la DB no tiene un total comparable, el techo es el espejo.

Fuente federal de presupuesto/contratos sin scraper en el registry y sin filas en opportunities.; sin corridas registradas en source_runs; nunca ha capturado filas; sin scraper registrado en tasks/scraper_registry.py

Portal estatal tras Radware Bot Manager: HTTP 302 a validate.perfdrive.com y captcha interactivo (verificado sep-2026 con curl -k: /, robots.txt y wp-admin/admin-ajax.php responden 302 -> "Radware Captcha Page"; robots.txt permite /wp-admin/admin-ajax.php pero el challenge se aplica igual). El scraper detecta el bloqueo y se auto-salta; nunca ha capturado filas. Sin endpoint alternativo: los subdominios de datos abiertos/compras no existen (NXDOMAIN) y el registro OCP Data Registry NO tiene dataset de licitaciones de Veracruz (la publicación /publication/31 que aparece a nombre del IVAI sirve datos federales del INAI, verificado descargando el archivo el 2026-09-22). Nota: si las peticiones fallan a nivel de red (Errno 113) en vez de recibir el 302, el scraper devuelve skipped=false y el pipeline lo registra como "ok" con 0 filas.; nunca ha capturado filas