-
Notifications
You must be signed in to change notification settings - Fork 1
/
documento_curso_r.Rmd
1130 lines (793 loc) · 42 KB
/
documento_curso_r.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
---
title: "**TCC Curso-R: Scrapper TRF5**"
author: "Marcello S. Filgueiras"
date: "24/10/2021"
output:
html_document:
theme: readable
toc: true
number_section: true
toc_float:
collapsed: false
smooth_scroll: false
---
# **Apresentação**
Olá sou Marcello Filgueiras, faço Direito na UFJF (Universidade Federal de Juiz de Fora), e me interesso por Jurimetria. Minha ideia é baixar dados de tribunais para fazer pesquisa acadêmica, mas também estou tentando entrar com consultoria jurídica em mercado da jurimetria.
O objetivo desse scrapper é *baixar a jurisprudência*, o conjunto de *decisões* do TRF-5, o Tribunal Regional Federal do Nordeste, bem como a *consulta processual* de cada um dos processos específicos, que irá buscar *metadados do processo*, suas *partes* e as respectivas *movimentações*.
Portanto, são dois scrappers: Um do [buscador de jurisprudência](https://julia-pesquisa.trf5.jus.br/julia-pesquisa/#consulta), outro da [consulta processual](http://portal.trf5.jus.br/cp/).
Aqui estão os pacotes usados nesse processo.
```{r, echo=TRUE, message=FALSE, warning=FALSE}
knitr::opts_chunk$set(echo = TRUE)
#mais na primeira
library(tidyverse)
library(httr)
library(abjutils)
library(jsonlite)
#Mais a segunda
library(xml2)
library(rvest)
library(lubridate)
```
# **Buscador de Jurisprudência**
Trata-se de um [buscador de julgados](https://julia-pesquisa.trf5.jus.br/julia-pesquisa/#consulta) que vai te retornar _decisões dos tribunais_, a partir de uma pesquisa em _texto_, possibilitando de filtrar por _orgão julgador_, por _relator_ que redigiu o acórdão ou por período de _tempo_. Por fim, ainda, é possível buscar diretamente o julgado com o _número do processo específico_.
Apesar de parecer uma requisição POST, o site leva a uma API escondida que utiliza requisições GET. Os dados vêm em json, o que possibilita muito menos trabalho no parsing.
## **Acessando a API escondida**
Parece um POST por ser um formulário, mas leva a uma API que dá .json, por meio de um GET, que tem a seguinte URL base.
```{r}
url_base <- "https://julia-pesquisa.trf5.jus.br/julia-pesquisa/api/documentos:dt?"
```
### Teste Super Específico
Ao fazer uma pesquisa na Jurisprudência pelo texto de _"28,86%"_ em referência a uma tese consolidada sobre direito aumento de salários de professores federais no montante de 28,86%, do _Relator Alcides Saldanha Lima_, da _3ª Turma recursal_, num espaço de _10 anos_.
Nos headers, estes são os parâmetros que retornam do navegador:
Dentro da query, essa busca pode ser feita com {httr}.
```{r}
query_teste_especifico<- list(
"draw" = "1",
"columns[0][data]" = "codigoDocumento",
"columns[0][name]" = "",
"columns[0][searchable]" = "true",
"columns[0][orderable]" = "false",
"columns[0][search][value]" = "",
"columns[0][search][regex]" = "false",
"start" = "0",
"length" = "10",
"search[value]" = "",
"search[regex]" = "false",
"pesquisaLivre" = "28,86%",
"numeroProcesso" = "",
"orgaoJulgador" = "3ª TURMA",
"relator" = "ALCIDES SALDANHA LIMA",
"dataIni" = "01/01/2010",
"dataFim" = "03/10/2021",
"_" = "1633297312330")
teste_especifico <- httr::GET(url_base,
query =query_teste_especifico)
# Vendo o resultado, temos um Json, com dados em Listas.
content(teste_especifico) %>%
str(max=2)
```
Podemos ver então que, de início, conseguimos baixar todos os processos, com parâmetros bem definidos, nos seguintes parâmeteros:
Parâmetro | Dados Buscados
----------|----------------
"pesquisaLivre" | "28,86%",
"numeroProcesso" | "",
"orgaoJulgador" | "3? TURMA",
"relator" | "ALCIDES SALDANHA LIMA",
"dataIni" | "01/01/2010",
"dataFim" | "03/10/2021",
Esses _headers_ respondem, portanto, ao que colocamos no buscador. O que fazem os outros parâmetros, especialmente para paginação?
Poderíamos saber, mas essa busca retornou apenas um julgado. Vamos então para quantidades maiores de julgados, com uma requisição mais genérica.
Mas os dados estão dentro do elemento de nome "data".
### Teste Genérico
Nesse teste, procuramos somente pelo testo "28,86%":
```{r}
query_teste_generico <- list(
"draw" = "1",
"columns[0][data]" = "codigoDocumento",
"columns[0][name]" = "",
"columns[0][searchable]" = "true",
"columns[0][orderable]" = "false",
"columns[0][search][value]" = "",
"columns[0][search][regex]" = "false",
"start" = "0",
"length" = "10",
"search[value]" = "",
"search[regex]" = "false",
"pesquisaLivre" = "28,86%",
"numeroProcesso" = "",
"orgaoJulgador" = "",
"relator" = "",
"dataIni" = "",
"dataFim" = "",
"_" = "1633297312330")
teste_generico <- httr::GET(url_base,
query = query_teste_generico)
content(teste_generico)%>%
str(max=2)
```
Temos 9000 julgados, com 10 por página. Vamos então trocar de página para ver o que acontece:
Sabemos, portanto, que aumentando o parâmetro __start__, ele vai começar a exibir a partir dos próximos 10 julgados. Ele também registra no __draw__ qual número de páginas que você está (na verdade, quantas você trocou). Ao final um parâmetro **underline misterioso** que registra, ao que parece, o número de vezes que uma requisição foi pedida no site. Ele sobe progressivamente, mas se você acessa o site. Estamos chegando na forma de saber como a API funciona.
Última questão. Os parâmetro __draw__ e **underline misterioso** podem ser retirados?
O draw não pode ser retirado, retorna erro:
```{r}
httr::GET(url_base,
query = list(
"columns[0][data]" = "codigoDocumento",
"columns[0][name]" = "",
"columns[0][searchable]" = "true",
"columns[0][orderable]" = "false",
"columns[0][search][value]" = "",
"columns[0][search][regex]" = "false",
"start" = "0",
"length" = "10",
"search[value]" = "",
"search[regex]" = "false",
"pesquisaLivre" = "28,86%",
"numeroProcesso" = "",
"orgaoJulgador" = "",
"relator" = "",
"dataIni" = "",
"dataFim" = "",
"_" = "1633297312330")) %>%
content()
```
Mas o misterioso __underline__ com número pode sumir:
```{r}
httr::GET(url_base,
query = list(
"draw" = "1",
"columns[0][data]" = "codigoDocumento",
"columns[0][name]" = "",
"columns[0][searchable]" = "true",
"columns[0][orderable]" = "false",
"columns[0][search][value]" = "",
"columns[0][search][regex]" = "false",
"start" = "0",
"length" = "10",
"search[value]" = "",
"search[regex]" = "false",
"pesquisaLivre" = "28,86%",
"numeroProcesso" = "",
"orgaoJulgador" = "",
"relator" = "",
"dataIni" = "",
"dataFim" = "")) %>%
content() %>%
str(max=2)
```
**Vamos então criar a função para baixar os dados!**
## **Baixando e Iterando**
Se temos 10 processos por página e um universo de 9000 julgados, é só iterar a função 900 vezes com __starts__ diferentes, 0, 10 e 20 e assim vai. O parâmetros __draw__ poderiam ser de 1, 2 e 3, mas só com o 1 funciona, acredito que sendo interpretado como a primeira página que você acessa, so que com o starts diferente.
```{r}
trf5_baixar_cjsg <- function(pesquisa_livre = "", orgao_julgador = "",
relator = "", data_inicial = "", data_final = "",
diretorio = "") {
# Vamos ter a url_base
url_base <- "https://julia-pesquisa.trf5.jus.br/julia-pesquisa/api/documentos:dt?"
# Vamos baixar a primeira página.
query_1 = list(
"draw" = "1",
"columns[0][data]" = "codigoDocumento",
"columns[0][name]" = "",
"columns[0][searchable]" = "true",
"columns[0][orderable]" = "false",
"columns[0][search][value]" = "",
"columns[0][search][regex]" = "false",
"start" = "0",
"length" = "10",
"search[value]" = "",
"search[regex]" = "false",
"pesquisaLivre" = pesquisa_livre,
"numeroProcesso" = "",
"orgaoJulgador" = orgao_julgador,
"relator" = relator,
"dataIni" = data_inicial,
"dataFim" = data_inicial)
# Fazemos uma sequência de página
n_observacoes <- httr::GET(url_base,
query= query_1) %>%
content() %>%
pluck("recordsTotal")
# Pegando o número de starts pela página
n_starts <- seq(0,n_observacoes,10)
# Fazendo o Map colocando o número de starts de character
purrr::map(.x= n_starts,
~httr::GET(url_base,
query= list(
"draw" = "1",
"columns[0][data]" = "codigoDocumento",
"columns[0][name]" = "",
"columns[0][searchable]" = "true",
"columns[0][orderable]" = "false",
"columns[0][search][value]" = "",
"columns[0][search][regex]" = "false",
"start" = as.character(.x),
"length" = "10",
"search[value]" = "",
"search[regex]" = "false",
"pesquisaLivre" = pesquisa_livre,
"numeroProcesso" = "",
"orgaoJulgador" = orgao_julgador,
"relator" = relator,
"dataIni" = data_inicial,
"dataFim" = data_final),
# Fazendo write_disk para salvar na minha pasta
# nome da pasta é o numero do processo e a data da postagem.
write_disk(path = paste0(diretorio,
"/",
"julgados_",
as.character(.x),
"_",
Sys.time()%>%
str_replace_all("\\D","_"),
".json"))
))
}
```
Conseguimos! Essa função baixou os 9000 julgados, mas não rodar no markdown.
trf5_baixar_cjsg(pesquisa_livre = "28,86%",
diretorio = "data_raw")
## **Lendo e Iterando**
Baixados os julgados, vamos à leitura deles. Como são Json's limpos, não necessidade de parsing complicado.
Temos que fazer 3 coisas na função, um _purrr::map() que vai ler tudo.
1) Para criar _.x_ da função, vamos listar quais arquivos estão na pasta, o que foi feito com _base::list.files_.
2) Criar a barra de progresso com _progress::progress_bar_
3) Ler os Jsons
``` {r}
trf5_ler_cjsg <- function(diretorio= ""){
#Listando os Arquivos
arquivos <- base::list.files(paste0(diretorio,"/"),
pattern = "\\.json$",
full.names = TRUE)
#Barra de Progresso
barra_progresso <- progress::progress_bar $ new(total = length(arquivos))
purrr::map_df( .x= arquivos,
.f = ~{
barra_progresso$tick()
#Lendo e selecionado a lista
jsonlite::fromJSON (.x, simplifyDataFrame = TRUE )%>%
purrr::pluck("data")
})
}
```
Vamos testar a função:
``` {r}
julgados_28_raw <- trf5_ler_cjsg(diretorio= "cjsg/data_raw") %>%
janitor::clean_names()
julgados_28_raw%>%
tibble::as_tibble()
```
Conseguimos! Lemos as bases e estão em um formato pronto para ser utilizado
## **Utilizando a Base**
No Escritório, o foco está em analisar o tempo que o processo demora. Assie, tentei analisar um tempo que a interposição recurso pode influenciar no julgamento, desde a sua autuação (registro no sistema) até seu julgamento.
### Tidying
Vamos ver a qualidade das bases.
Órgão Julgadores estão padronizados:
``` {r}
julgados_28_raw %>%
count(orgao_julgador)
```
A Classe de cada Recurso não:
``` {r}
#A Classe de cada Recurso não
julgados_28_raw %>%
count(classe_judicial) %>%
as_tibble(max=20)
```
Vamos dar um tidying:
1) Passando datas para formato date.
2) padronizando classes. As que não foram usadas e coloquei "#" foi porque tinham número pequeno que não era muito significativo para a operação.
``` {r}
julgados_28_tidy <- julgados_28_raw %>%
#Passando Formato Date
mutate(across(.cols = c(data_autuacao, data_julgamento, data_assinatura),
.fns = lubridate::ymd
)
) %>%
# Arrumando Duplicidade. os outros # no meio do case_when são categorias que,
#apesar de serem duplicadas, estavam em baixo número e não era necessária sua apresentação
mutate(classe_judicial_raw= abjutils::rm_accent(classe_judicial)%>%
str_to_lower(),
classe_judicial= case_when(
str_detect(classe_judicial_raw, "embargos de declaracao") ~ "Embargos de Declaração",
#str_detect(classe_judicial_raw, "inominado|inonimado") ~ "Agravo Inominado",
str_detect(classe_judicial_raw, "regimental") ~ "Agravo Regimental",
#str_detect(classe_judicial_raw, "agravo n|agravo retido") ~ "Agravo",
#str_detect(classe_judicial_raw, "agravo interno") ~ "Agravo Interno",
str_detect(classe_judicial_raw, "agravo de instrumento") ~ "Agravo de Instrumento",
str_detect(classe_judicial_raw, "remessa|reexame") ~ "Remessa Necessária",
str_detect(classe_judicial_raw, "embargos a execucao") ~ "Embargos à Execução",
#str_detect(classe_judicial_raw, "embargos infringentes") ~ "Embargos Infringentes",
#str_detect(classe_judicial_raw, "divergencia") ~ "Embargos de Divergência",
#str_detect(classe_judicial_raw, "questao de ordem") ~ "Questão de Ordem",
#str_detect(classe_judicial_raw, "conflito") ~ "Conflito de Competência",
str_detect(classe_judicial_raw, "^apelacao") ~ "Apelação",
str_detect(classe_judicial_raw, "acao rescisoria") ~ "Ação Rescisória",
TRUE ~ "Outros"
),
# um formato date do ano do julgamento, para agrupar
ano_julgamento= lubridate::year(data_julgamento),
#aproveitei para fazer uma variável
#tempo entre recurso e julgamento
autuacao_julgamento = data_julgamento - data_autuacao
)
```
Eliminei duplicidade nos assuntos. Tenho os assuntos mais reocrrentes, necessários para minha análise, de forma padronizada.
``` {r}
julgados_28_tidy %>%
count(classe_judicial)
```
Tenho as principais variáveis que quero, características dos processos que dividem o gurpo e principalmene o tempo.
``` {r}
julgados_28_tidy %>%
#filter(classe_judicial == "Ação Rescisória") %>%
select(numero_processo,
classe_judicial,
relator,
orgao_julgador,
# referencia,
data_autuacao,
data_julgamento,
autuacao_julgamento,
ementa
) %>%
glimpse()
```
### Analisando Tempo e Ano
Esses vários tipos de julgados estão por diversos anos. Nesse ggplot abaixo:
Algo engraçdo é que a partir do novo CPC 2015, não existe mais o _agravo regimental_.
Foi substituído pelo agravo interno... Ainda assim, o número de agravos regimentais julgados depois de 2015 é enorme, demonstrando falha dos dados do tribunal.
```{r, echo=FALSE, message=FALSE, warning=FALSE}
julgados_28_tidy%>%
#filter(ano_julgamento>2015) %>%
group_by(ano_julgamento)%>%
count(classe_judicial)%>%
ggplot(aes(x=ano_julgamento, y=n, fill=classe_judicial)) +
geom_col(color="black") +
labs(title = "Número de Julgados por Ano que mencinonam \"28,86%\" no TRF-5",
subtitle = "Dividos em Classe de Acórdãos") +
scale_fill_discrete(name= "Classe de Acórdãos") +
#scale_x_date(name= "Ano do Julgamento", date_breaks = "5 years")+
xlab(label= "Ano do Julgamento") +
scale_y_continuous(name= "Nº de Julgados")
```
Mas o que interessa aqui no meu escritório é a duração dos processos.Vamos então fazer umas contas sobre tempo e datas.
Eu preferi a mediana por ser o padrão ouro da ABJ, já que processos juidiciais tem muitos outliers de grandes números. Mas o pessoal do escritório pediu média e desvio padrão.
``` {r}
julgados_28_tidy %>%
group_by(classe_judicial) %>%
summarise(mediana_julgamento = median(autuacao_julgamento, na.rm = TRUE),
iqr_julgamento = IQR(autuacao_julgamento, na.rm = TRUE),
media_julgamento = mean(autuacao_julgamento, na.rm = TRUE),
desvio_pad_julgamento= sd(autuacao_julgamento, na.rm= TRUE)
)
```
**Números são ruins.** Pessoal de humanas não entende...
Nós gostamos de gráficos! Vamos facetar todas essas classes entao.
```{r, echo=FALSE, message=FALSE, warning=FALSE}
tempo_julg<- julgados_28_tidy %>%
#contando
group_by(classe_judicial ) %>%
summarise(autuacao_julgamento)
tempo_julg%>%
filter(autuacao_julgamento <=10000) %>%
#visualizando
ggplot(aes(x= autuacao_julgamento)) +
geom_histogram( fill= "blue", color= "grey10") +
facet_wrap( facets = vars(classe_judicial))+
ylab(label= "Número de Processos") +
xlab(label= "Número de Dias da Autuação do Recurso até Julgamento") +
labs (title = "Efeito da Interposição do Recurso: Dias da sua Autuação até o Julgamento",
subtitle = "9081 julgados que retornaram do TRF5 ao buscar por \"28,86%\" ")
```
O foco era nas ações rescisórias, perigosas ações que podem reverter uma ação já transitada em julgado, cuja "decisão é imodificável, transforma o redondo em quadrado", mas como tudo no Direito tem um _depende_, elas podiam foder a operação inteira de execuções de decisões já julgadas.
Estavam em voga nos corredores do escritório e fiz, portanto, o tempo médio até seu julgamentos:
```{r, echo=FALSE, message=FALSE, warning=FALSE}
tempo_julg %>%
filter(classe_judicial == "Ação Rescisória") %>%
ggplot(aes(x= autuacao_julgamento)) +
geom_histogram( fill= "blue", color= "black") +
ylab(label= "Número de Processos")+
xlab(label= "Dias entre a Data de Julgamento e a Data de Autuação do Recurso") +
scale_x_continuous(breaks = c(0, 180, seq(365,6000, 365) ) ) +
labs (title = "Efeito da Interposição do Recurso: Número de Dias da sua Autuação até o Julgamento",
subtitle = "Nas Ações Rescisórias, a mediana desses números é de 495 dias, na linha de vermelho.\n A média, na linha verde, é de 600 dias.")+
theme_update() +
geom_vline(aes(xintercept = median(autuacao_julgamento, na.rm = TRUE)),col='red', size= 1.2) +
geom_vline(aes(xintercept = mean(autuacao_julgamento, na.rm = TRUE)),col='green', size= 1.2)
```
**Esse foi então o scrapper de jurisprudência do TRF5!**
# **Consulta de Processos Físicos**
As vezes, tão importante quanto ter as ementas e o inteiro teor das decisões para extrair seu conteúdo, é ter os "metadados" dos processos que elas estão inserdidas. Valor da causa, partes do processo, movimentação. Por isso, temos que buscar também informações de quais processos estão.
No caso tenho uma lista de processos sobre _precatórios_, um regime de pagamento de dívidas judiciais do Estado. Meu objetivo é baixar todas as movimentações desse processo para ver quanto tempo o Estado leva para pagar você depois de ganhar o processo (leva em geral mais de 10 anos).
O mérito da questão, a tese dos "28,86%" já está considerada como _consolidada_ pelo escritório. Eles querem saber quanto tempo o precatório demora para expedido. Assim, peguei uma lista de 173 processos que foram fornecidos dentro do próprio escritórion no download.
No campo do _arsing, de estrutura física mais antiga cheia de tables. Aqui retorna HTML mesmo, então esse tem mais parsing.
## **Vendo como site funciona, Baixando e Iterando**
Hoje, na maioria dos tribunais existem dois buscadores de processos. Um de processos físicos, no site principal, e outro no PJE (processo judicial eletrônico), em outro site separado. Assim, se o processo for eletrônico, ele não retornará do buscador do site oficial.
Se você entrar no site pela [consulta processual](https://cp.trf5.jus.br/cp/index.html) e colocar o número do processo, como um típico formulário, cocê coloca o numero e vai abrir uma janela nova para próxima:
Ela retorna com um POST dessa consulta:
Engraçado. Eu só me dei conta disso fazendo o markdown. Porque se você acessa por um outro caminho do site, como fiz, um GET muito mais simples funciona, que so adiciona o nuúmero do processo ao final do url base:
``` {r}
url_base <- "https://cp.trf5.jus.br/processo/"
```
Vamos para a mesma página, do mesmo processo, com as mesmas informações, em URL's diferentes, que só tem
url_base / numero do processo. Escolhi portanto o mais simples.
Vamos direto baixar a função. É só ter o numero do processo e dar um paste na url base
``` {r}
trf5_baixar_cpopg <- function(processos = "",
diretorio= "") {
#Criando URL BAse
url_base <- "https://cp.trf5.jus.br/processo/"
#Criando Barrade Progesso
barra_progresso <- progress::progress_bar $ new(total = length(processos))
#Listas com números dos processos
map (.x= processos,
.f= ~ {
barra_progresso$tick()
#Paste URL base + True
httr::GET (paste0(url_base,
.x),
#Writedisk com numero + data baixada para evitar overwritting
httr::write_disk(path = paste0(diretorio,
"/",
"julgados_",
as.character(.x),
"_",
Sys.time()%>%
stringr::str_replace_all("\\D","_"),
".html")
)
) }
)
}
```
A função deu certo. Baixamos 173 processos de precatórios.
``` {r}
#Lista de Processos se quiserem reproduzir
#trf5_baixar_cpopg(processos = processos_precatorios_ind,
# diretorio = "cpopg/data_raw")
```
## **Lendo, Parseando e Iterando**
Os HTML's baixandos são de um site "simples", todo formatado em <tables> sem nome de classe.
Apesar de ter funcionado parsing, ficou _bem feio_.
Eu tentei pegar por classe, nome ou outras questões, mas era muita coisa igual sem identificação. Por exemplo, quando estava "negrito", como no caso das movimentações... Algumas partes deu pegar pelas widths das tables, mas chegou no final que teve que fazer _purrr::pluck_ em tudo mesmo.
### Lendo e Iterando: Dados do Processos
Quero nessa função baixar os dados gerais, para verificar número, orgão julgado, entre outras questões.
O número do processo eu tinha no primeiro header. As demais informações estão nas duas primeiras tabelas de width = 87%, como dá para ver na imagem acima.
``` {r}
trf5_cpo_fisico_ler_processos <- function(diretorio= "") {
# Faça a lista de Arquivos presente na pasta
arquivos_lista <- base::list.files(paste0(diretorio,"/"),
pattern = "\\.html$",
full.names = TRUE)
#Faça o tamanho da barra de progresso
barra_progresso <- progress::progress_bar $ new(total =
length(arquivos_lista)
)
#Leia os Arquivos
purrr::map_dfr( .x= arquivos_lista,
.f = ~{
barra_progresso$tick()
# um arquivo de todo html
arquivos_raw <- xml2::read_html (.x)
#o numero do processo
processo <- arquivos_raw %>%
xml2::xml_find_first("/html/body/p[2]") %>%
xml2::xml_text() %>%
stringr::str_remove("\n PROCESSO Nº ")
# tentei extrair a tabela inteira como rows de um df... não deu muito certo
prec <- arquivos_raw %>%
xml2::xml_find_first("/html/body/table") %>%
xml2::xml_find_all("./tr/td") %>%
xml_text()
#fiz assim um pluck em cada linha dessa table
n_precatorio <- arquivos_raw %>%
xml2::xml_find_first("/html/body/table") %>%
xml2::xml_find_all("./tr/td") %>%
xml_text() %>% pluck(1) %>%
stringr::str_extract("PRC.+\\b")
data_atuacao <- arquivos_raw %>%
xml2::xml_find_first("/html/body/table") %>%
xml2::xml_find_all("./tr/td") %>%
xml_text() %>% pluck(2) %>%
stringr::str_remove("AUTUADO EM ")
orgao <- arquivos_raw %>%
xml2::xml_find_first("/html/body/table") %>%
xml2::xml_find_all("./tr/td") %>%
xml_text() %>% pluck(3) %>%
stringr::str_remove("ORGÃO: ")
n_originario <- arquivos_raw %>%
xml2::xml_find_first("/html/body/table") %>%
xml2::xml_find_all("./tr/td") %>%
xml_text() %>% pluck(4) %>%
stringr::str_remove("PROC. ORIGINÁRIO Nº: ")
n_requisitorio <- arquivos_raw %>%
xml2::xml_find_first("/html/body/table") %>%
xml2::xml_find_all("./tr/td") %>%
xml_text() %>% pluck(5) %>%
stringr::str_remove("NÚMERO DO REQUISITÓRIO: ")
n_execucao <- arquivos_raw %>%
xml2::xml_find_first("/html/body/table") %>%
xml2::xml_find_all("./tr/td") %>%
xml_text() %>% pluck(6) %>%
stringr::str_remove("NÚMERO DO PROCESSO DE EXECUÇÃO: ")
vara <- arquivos_raw %>%
xml2::xml_find_first("/html/body/table") %>%
xml2::xml_find_all("./tr/td") %>%
xml_text() %>% pluck(7) %>%
stringr::str_remove("VARA: ")
natureza_credito <- arquivos_raw %>%
xml2::xml_find_first("/html/body/table") %>%
xml2::xml_find_all("./tr/td") %>%
xml_text() %>% pluck(8) %>%
stringr::str_remove("CRÉDITO: ")
assunto <- arquivos_raw %>%
xml2::xml_find_first("/html/body/table") %>%
xml2::xml_find_all("./tr/td") %>%
xml_text() %>% pluck(9) %>%
stringr::str_remove("ASSUNTO: ")
# Para pegar todas as tabelas e ajudar a ver no inicio
tabelas <- arquivos_raw %>%
xml2::xml_find_all("/html/body/table") %>%
html_table()
#segunda tabela
tabelas2 <- arquivos_raw %>%
xml2::xml_find_all("/html/body/table[2]") %>%
xml2::xml_find_all("./tr/td") %>%
xml_text()
#e as linhas que eu queria
fase_atual <- tabelas2 %>% pluck(3)
data_fase_atual <- tabelas2 %>% pluck(2)
complemento <- tabelas2 %>% pluck(5)
ultima_localizacao <- tabelas2 %>% pluck(7)
#tibble para fazer de forma organizada
tibble(processo,
n_precatorio,
data_atuacao,
orgao,
n_originario,
n_requisitorio,
n_execucao,
vara,
natureza_credito,
assunto,
fase_atual,
data_fase_atual,
complemento,
ultima_localizacao)
#uma list para ir testando e ver o resultado usada anteriormente
#list(processo,
# prec,
# tabelas,
# tabelas2)
})
}
```
Consigo assim uma tabela com informações gerais do processo:
``` {r}
processos_prec <- trf5_cpo_fisico_ler_processos(diretorio = "cpopg/data_raw")
as_tibble(processos_prec)
```
### Lendo e Iterando: Partes do Processo
Aqui quero saber as partes. Elas estão na única table de altura 52:
``` {r}
trf5_cpo_fisico_ler_partes <- function(diretorio= "") {
# Faça a lista de Arquivos presente na pasta
arquivos_lista <- base::list.files(paste0(diretorio,"/"),
pattern = "\\.html$",
full.names = TRUE)
#Faça o tamanho da barra de progresso
barra_progresso <- progress::progress_bar $ new(total =
length(arquivos_lista)
)
#Leia os Arquivos
purrr::map_dfr( .x= arquivos_lista,
.f = ~{
barra_progresso$tick()
arquivos_raw <- xml2::read_html (.x)
#Uma coluna com processo para identificar
processo <- arquivos_raw %>%
xml2::xml_find_first("/html/body/p[2]") %>%
xml2::xml_text() %>%
stringr::str_remove("\n PROCESSO Nº ")
#Buscando a tabela de altura 52
#Dados de qual lado do processo ela está
tipo_partes <- arquivos_raw %>%
xml2::xml_find_first("//table[@height= '52']") %>%
rvest::html_table() %>%
pluck(1) %>%
str_replace("REQDO", "Requerido")%>%
str_replace("REQTE", "Requerente")
#O nome específico de cada parte
partes <- arquivos_raw %>%
xml2::xml_find_first("//table[@height= '52']") %>%
rvest::html_table() %>%
purrr::pluck(2) %>%
stringr::str_remove(": (\\t)*")
#montando a tibble
tibble(processo,
tipo_partes,
partes)
#list(processo,
# partes)
})
}
```
Consigo assim uma tabela com informações das partes do processo:
``` {r}
partes_prec <- trf5_cpo_fisico_ler_partes(diretorio = "cpopg/data_raw")
as_tibble(partes_prec)
```
### Lendo e Iterando: Movimentações do Processo
Aqui está a parte de maior interesse. Todas as movimentações São todas de altura 28 e são as últimas.
Mas temos duas tabelas do mesmo tamanho que não são movimentações.
A solução foi baixar todas de 28 e filtrar os textos, já que todas os textos de movimentação começam com "Em dd/mm/aaaa".
``` {r}
trf5_cpo_fisico_ler_movimentacoes <- function(diretorio= "") {
# Faça a lista de Arquivos presente na pasta
arquivos_lista <- base::list.files(paste0(diretorio,"/"),
pattern = "\\.html$",
full.names = TRUE)
#Faça o tamanho da barra de progresso
barra_progresso <- progress::progress_bar $ new(total =
length(arquivos_lista)
)
#Leia os Arquivos
purrr::map_dfr( .x= arquivos_lista,
.f = ~{
barra_progresso$tick()
arquivos_raw <- xml2::read_html (.x)
#para identificar o processo
processo <- arquivos_raw %>%
xml2::xml_find_first("/html/body/p[2]") %>%
xml2::xml_text() %>%
stringr::str_remove("\n PROCESSO Nº ")
#tabelas<- arquivos_raw %>%
# xml2::xml_find_all("/html/body/table") %>%
#html_table()
#ate tentei pegar pela classe, uma das únicas com nomes
#mas só pegava a data, não o texto inteiro da <tr>
data_movimentacoes <- arquivos_raw %>%
xml2::xml_find_all("//li[@class='negrito']") %>%
xml2::xml_text() %>%
stringr::str_extract("\\d+/\\d+/\\d+") %>%
lubridate::dmy()
# Peguei o texto inteiro
movimentacoes <- arquivos_raw %>%
xml2::xml_find_all("//table[@height= '28']")%>%
xml2::xml_text()
#Fiz a tibble
tibble(processo,
#data_movimentacoes,
movimentacoes) %>%
#Filtrei pelas tables que começavam com o padrão de momvimentações
dplyr::filter(str_detect(movimentacoes, "Em \\d+/\\d+/\\d+")) %>%
#Separando a data movimentação do seu conteúdo
tidyr::separate(movimentacoes,
into = c("data_movimentacao", "movimentacao"),
sep= "\\d+:\\d+",
extra = "merge") %>%
#transformando em formato date
dplyr::mutate(data_movimentacao= stringr::str_extract(data_movimentacao,"\\d+/\\d+/\\d+") %>%
lubridate::dmy()
)
#list(processo,
# tabelas,
# data_movimentacoes,
# movimentacoes)
})
}
```
Ela leu todas as movimentações de todos os processos. Como era de maior interesse para meu trabalho, vou apresentar inteira aqui. =)
## **Usando a Base**
Aqui está o interesse do escritório. Ele que saber depois de quanto **tempo** um precatório, ao ser pedido, leva até que ele seja depositado na conta judicial. Está interessado em saber quanto tempo que leva para o \$\$\$ cair na conta.
A função de análise do tempo dos processsos do José de Jesus ajudou bastante aqui, criando as três últimas colunas.
``` {r}
movimentacoes_prec <- trf5_cpo_fisico_ler_movimentacoes (diretorio = "cpopg/data_raw") %>%
JurisMiner::tempo_movimentacao(data = data_movimentacao)
as_tibble(movimentacoes_prec)
```
### Classificando movimentações
Li as movimentações e pude perceber alguns padrões textuais e, assim, classifiquei os algumas questões fundamentais como a inscrição para pagamento e o efetivo depósito.