Open anapaulagomes opened 3 years ago
Alguns documentos estão duplicados na raspagem. Os testes foram feitos em uma amostra de 3674 itens (09/2020). Desses, 64 estavam duplicados.
Comando: scrapy crawl consulta_publica -a periodicidade=mensal -a competencia=09/2020 -o consulta-publica-09-2020.json
scrapy crawl consulta_publica -a periodicidade=mensal -a competencia=09/2020 -o consulta-publica-09-2020.json
Exemplo: TERMO DE APOSTILAMENTO 023-2020-1123-3.pdf
TERMO DE APOSTILAMENTO 023-2020-1123-3.pdf
Existem apenas um desse no portal (seguindo os parâmetros):
Itens duplicados:
{ "category": "Documentos Adicionais", "filename": "abfd75c5-f600-4176-985d-5da0fa0e7ee0-TERMO DE APOSTILAMENTO 023-2020-1123-3.pdf", "original_filename": "TERMO DE APOSTILAMENTO 023-2020-1123-3.pdf", "inserted_by": "FLORIEDNA DA SILVA GOMES", "inserted_at": "20/10/2020", "unit": "Funda\u00e7\u00e3o Hospitalar de Feira de Santana", "crawled_at": "2021-04-09 03:42:49", "month": "09", "year": "2020", "period": "Mensal", "filepath": "/files/feira-de-santana/2020/mensal/09/Funda\u00e7\u00e3o Hospitalar de Feira de Santana/Documentos Adicionais/" }
{ "category": "Documentos Adicionais", "filename": "ff815183-b82c-49d6-84de-aef10b8968a9-TERMO DE APOSTILAMENTO 023-2020-1123-3.pdf", "original_filename": "TERMO DE APOSTILAMENTO 023-2020-1123-3.pdf", "inserted_by": "FLORIEDNA DA SILVA GOMES", "inserted_at": "20/10/2020", "unit": "Funda\u00e7\u00e3o Hospitalar de Feira de Santana", "crawled_at": "2021-04-09 03:43:18", "month": "09", "year": "2020", "period": "Mensal", "filepath": "/files/feira-de-santana/2020/mensal/09/Funda\u00e7\u00e3o Hospitalar de Feira de Santana/Documentos Adicionais/" }
Por que será que o filename está diferente?
@RaulBSantos filename é gerado em tempo de execução, aqui:
filename
https://github.com/DadosAbertosDeFeira/tcm-ba/blob/816b6074aeb135b1035c3e460b985b06ef6c30d3/tcmba/spiders/consulta_publica.py#L305
Alguns documentos estão duplicados na raspagem. Os testes foram feitos em uma amostra de 3674 itens (09/2020). Desses, 64 estavam duplicados.
Comando:
scrapy crawl consulta_publica -a periodicidade=mensal -a competencia=09/2020 -o consulta-publica-09-2020.json
Exemplo:
TERMO DE APOSTILAMENTO 023-2020-1123-3.pdf
Existem apenas um desse no portal (seguindo os parâmetros):
Itens duplicados: