Crawler do Diário Oficial da União

Projetinho em Python para buscar o conteúdo de um Diário da União a partir de uma data e um tipo de seção, gerando um arquivo json com os conteúdos encontrados. Ele utiliza a versão 3.8 do Python e o framework Scrapy.

Este projeto serviu para eu treinar Python com um framework de crawler bastante conhecido que até então eu não possuía experiência. Porém, uma vez que o site da Imprensa não disponibilizou os dados do DOU de forma aberta, decidi deixar este projeto público para ajudar os devs do futuro que precisam fazer algum tipo de busca nesse site do governo. Existem outros projetos que fazem a mesma coisa que esse aqui meu, mas os que achei estavam com versões bem antigas do Python e usando frameworks descontinuados.

Eu tenho certeza que haverão gafes aqui e ali e adoraria aprender com programadores mais experientes em como deixar esse projeto melhor. ✨

Premissas ⚠️

O programa assume que:

• O DOU pode ser lido a partir do link https://www.in.gov.br/leiturajornal , com os seguintes argumentos
  • secao: string que pode possuir somente um dos seguintes valores:
    • dou1
    • dou2
    • dou3
  • data: string de data no formato DD-MM-AAAA
• Na página da Imprensa, existe um script do tipo application/json com os dados de cada seção. Estes dados incluem o objeto jsonArray com o campo urlTitle.
• Cada seção do DOU pode ser acessada a partir da concatenação do link https://www.in.gov.br/en/web/dou/-/ com urlTitle.

Dependências do projeto

Este projeto utiliza o Python 3.8.3 e o pip 20.2.2. Além deles, este projeto também depende do pacote Scrapy e do pacote Json Lines. Instale-os com o comando abaixo:

pip install Scrapy
pip install json-lines

Para rodar este projeto

O código disponibilizado neste repositório irá executar o o crawler no Jornal da Seção 3 do dia 07 de Agosto de 2020. Ele no final irá retornar um arquivo json contendo:

1. O título do artigo (ex: Aviso de Licitação/Extrato de termo Aditivo, etc...);
2. O órgão do artigo;
3. O número da página do artigo; e
4. O link do artigo (para consulta).

Para rodar, execute o código: python main.py

Modificando o projeto para as suas necessidades

No arquivo main.py, altere as configurações do crawler e os argumentos de crawlDou (não é necessário alterar o primeiro argumento, somente o segundo, que se refere a data, e o terceiro, que se refere a seção).

No arquivo douSection.py, o método parse é responsável pela extração dos dados da página. Para modificá-los, é necessário um conhecimento prévio de HTML e do Selector do Scrapy (no caso, eu estou utilizando os seletores seguindo a sintaxe o xpath por questões pessoais mesmo, mas ele também consegue usar a sintaxe do CSS pra selecionar estes elementos, que você pode conferir aqui: https://docs.scrapy.org/en/latest/topics/selectors.html).

PS: Minha sugestão é que antes que você altere o código, rode a primeira vez sem alterar nada, apenas para conferir se todas as dependências foram instaladas corretamente.

Explicação do fluxo do programa

Imports

from scrapy.crawler import CrawlerRunner
from twisted.internet import reactor

Primeiramente, inclui-se no programa principal alguns pacotes do runner do Scrapy.

Configuração do Log

import loggerConfig

O módulo loggerConfig configura o nível do log que será escrito, escrevendo o resultado na pasta log do projeto.

Módulos do programa

from crawlDou import crawlDou
from writeResult import writeResult

Inclui-se as funções de realizar o Crawler e a de escrever o resultado em um arquivo.

Configurações do crawler

runner  = CrawlerRunner(
    {
        'USER_AGENT': 'Sinayra-meuCrawlerComScrapy/1.1 (sinayra@hotmail.com)',
        'LOG_STDOUT': False,
        'LOG_ENABLED': True,
        'ROBOTSTXT_OBEY' : True,
        'RANDOMIZE_DOWNLOAD_DELAY': True,
        'CONCURRENT_REQUESTS': 5,
        'RETRY_TIMES' : 5,
        'AUTOTHROTTLE_ENABLED' : True,
        'HTTPCACHE_ENABLED': True,  # for development
        'FEEDS':{
            'items.jl': {
                'format': 'jsonlines',
                'encoding': 'utf8'
            }   
        },
    }
)

Define-se inicialmente como o Crawler irá executar.A opção FEED define onde o resultado do crawler será escrito. No caso, definiu-se que o arquivo se chama items.jl e é do formato jsonlines. Este arquivo será usado como auxiliar ao longo do programa.

Algumas observações destas opções de configuração:

• ❗ Altere o user-agent para melhor identificar o seu crawler. ❗
• É possível alterar o número de requests simultâneos alterando a opção CONCURRENT_REQUESTS, o que irá melhorar o desempenho ao escrever o resultado do parser, mas evite colocar um número muito alto para não sobrecarregar o servidor do governo. Minha sugestão é colocar no máximo 20.
• Enquanto você estiver alterando algum spider (como o spider dou ou spider dou section), habilite a opção HTTPCACHE_ENABLED como verdadeira, para o Scrapy salvar em cache as páginas e não precisar fazer uma nova requisição de uma página que ele já visitou. Se está tudo certinho com o que ele tem que buscar, desabilite esta opção.

Execução do crawler

crawlDou(runner, "07-08-2020", "dou3")
reactor.run()

A função crawlDou irá executar sequencialmente o crawler de buscar no site da Imprensa Nacional os links de cada uma das seções do diário especificado (com os argumentos data e secao), exibindo uma animação de carregando. Após buscar todos os links das seções, ele executa um segundo crawler para buscar o conteúdo de cada uma das seções. A função run do reactor irá realizar uma chamada bloquante para impedir que o resto do programa execute até que o último crawler seja executado.

Escrevendo resultados

if (os.path.exists("items.jl")):
    writeResult("result.json", "items.jl")
else:
    raise FileNotFoundError("Required files not found. Try again later")

Por último, verifica-se se os arquivos temporários que foram gerados na etapa de crawler foram criados. Se foram, escreve o resultado no arquivo result.json a partir do arquivo items.jl, removendo este logo em seguida.