Cómo liberar datos oficiales de ciudades brasileñas con Python

Charla presentada en PyCon Charlas en 29 de abril de 2022 durante PyConUS 2022 en Salt Lake City.

Transcript

1. Cómo liberar datos oficiales de ciudades brasileñas con Python https://queridodiario.ok.org.br/ 1
2. Renne Rocha @rennerocha Team Lead en Zyte Carpintero y cervecero casero Fundador del Laboratório Hacker de Campinas 2
3. ¿Qué es un Diario Oficial? 3
4. Uno de los documentos más antiguos de Brasil (1862) Donde se comunica los actos oficiales del gobierno Normalmente tenemos acceso a través de formatos cerrados como PDF Dificultad para consultar y analizar datos de forma automatizada 4
5. ¿Qué problema queremos resolver? Hay 5570 ciudades en Brasil No existe un estándar para la publicación de los diarios Formato cerrado (PDF) que no permite búsqueda automática en su contenido ¿Cómo hacer el control social de los actos de gobierno? 5
9. Querido Diario Respaldado por la Open Knowledge Brasil (https://ok.org.br/)... ...con la ayuda de la comunidad de desarrolladores de Brasil Primer commit en 1 de abril de 2018 Primera versión en 20 de julio de 2021 9
11. Extracción de datos https://github.com/okfn-brasil/querido-diario Scrapy (https://scrapy.org/) - Framework Python para extracción de datos Cientos de spiders (un para cada ciudad o grupo de ciudades) Monitoreo constante Ejecución diaria en Scrapy Cloud (https://www.zyte.com/scrapy- cloud/) - Plataforma de ejecución de spiders Scrapy 11
13. Indexación https://github.com/okfn-brasil/querido-diario-data-processing Metadatos almacenados en PostgreSQL (https://www.postgresql.org/) Apache Tika™ (https://tika.apache.org/) - Extrae metadatos y contenido de texto en diferentes tipos de archivos Elasticsearch (https://www.elastic.co/) - motor de búsqueda y análisis de datos distribuidos 13
14. Acceso a los datos https://github.com/okfn-brasil/querido-diario-api Sítio público (https://queridodiario.ok.org.br/) API pública (https://queridodiario.ok.org.br/api/docs) Permite búsquedas por palabras clave, rango de fechas y ciudades Desarrollada con FastAPI (https://fastapi.tiangolo.com/) Wrapper en Python (https://github.com/okfn-brasil/querido-diario- api-wrapper) para ayudar con la integración con otros sistemas 14
16. API wrapper import querido_diario gazettes = querido_diario.gazettes( since="2022-01-01", until="2022-04-28", keywords=["canetas"], territory_id="1302603", offset=0, size=10 ) 16
18. Documentación https://docs.queridodiario.ok.org.br/ https://github.com/okfn-brasil/querido-diario-comunidade 18
20. ¡Resultados! 20
25. https://datalabe.org/por-que-tem-tanto-lixo-nas-ruas-da-mare/ https://correionago.com.br/a-invisibilidade-da-cultura-negra-e- periferica-na-capital-baiana/ https://ok.org.br/noticia/medidas-contraditorias-e-falta-de- direcionamento-a-historia-do-2o-colapso-da-saude-de-manaus- contada-pelo-diario-oficial/ https://ok.org.br/noticia/querido-diario-e-utilizado-em-estudo-da- ufrn-sobre-gastos-publicos-com-a-covid-19/ 25
26. Desafíos Agregar más ciudades disponibles (sólo 21 hoy) Mejorar la capacidad de búsqueda Facilitar la integración con otros proyectos Mantener financieramente el proyecto 26
27. ¿Dudas? 27