Adiciona spiders para Abaré, Adustina, Almadina, Anagé e Andorinha

cassiasamp commented 2 months ago

Layout do site publicador de diários oficiais

Marque apenas um dos itens a seguir:

[ ] O layout não se parece com nenhum caso da lista de layouts padrão
[ ] É um layout padrão e esta PR adiciona a spider base do padrão ao projeto junto com alguns municípios que fazem parte do padrão.
[X] É um layout padrão e todos os municípios adicionados usam a classe de spider base adequada para o padrão.

Código da(s) spider(s)

[X] O(s) raspador(es) adicionado(s) tem os atributos de classe exigidos.
[X] O(s) raspador(es) adicionado(s) cria(m) objetos do tipo Gazette coletando todos os metadados necessários.
[X] O atributo de classe start_date foi preenchido com a data da edição de diário oficial mais antiga disponível no site.
[X] Explicitar o atributo de classe end_date não se fez necessário.
[X] Não utilizo custom_settings em meu raspador.

Testes

[X] Uma coleta-teste da última edição foi feita. O arquivo de .log deste teste está anexado na PR.
[X] Uma coleta-teste por intervalo arbitrário foi feita. Os arquivos de .loge .csv deste teste estão anexados na PR.
[X] Uma coleta-teste completa foi feita. Os arquivos de .log e .csv deste teste estão anexados na PR.

Verificações

[X] Eu experimentei abrir alguns arquivos de diários oficiais coletados pelo meu raspador e verifiquei eles conforme a documentação não encontrando problemas.
[X] Eu verifiquei os arquivos .csv gerados pela minha coleta conforme a documentação não encontrando problemas.
[X] Eu verifiquei os arquivos de .log gerados pela minha coleta conforme a documentação não encontrando problemas.

Os logs de Andorinha, Almadina, Andustina e Abaré tem a contagem de 1 erro.

Descrição

Terceiro PR com os primeiros 5 municípios da issue #1115. O primeiro PR foi #1134, então #1135 e agora os arquivos estão finalmente corretos.

Arquivos de csv e log gerados:

última edição log_ba_abare_last.log log_ba_adustina_last.log log_ba_almadina_last.log log_ba_anage_last.log log_ba_andorinha_last.log
completos e por intervalo arbitrário -- adustina ba_adustina.csv log_ba_adustina.txt ba_adustina_jan_dec_2023.csv log_ba_adustina_jan_dec_2023.log --andorinha ba_andorinha.csv log_ba_andorinha.txt log_ba_andorinha_jan_dec_2023.txt ba_andorinha_jan_dec_2023.csv -- anage log_ba_anage_jan_dec_2023.txt ba_anage.csv log_ba_anage.txt ba_anage_jan_dec_2023.csv -- almadina log_ba_almadina.txt ba_almadina.csv log_ba_almadina_jan_dec_2023.txt ba_almadina_jan_dec_2023.csv -- abare ba_abare.csv log_ba_abare.txt log_ba_abare_jan_dec_2023.txt ba_abare_jan_dec_2023.csv

cassiasamp commented 1 month ago

Oi @trevineju, não sei se ficou confuso, mas neste PR deve estar tudo certinho :)

trevineju commented 1 month ago

oi, @cassiasamp.

Não sei te dizer quando volto aqui. Nós temos mais de 60 PRs abertas, então vamos adicionando aos poucos (de referência, fazemos revisões abertas toda quarta feira a tarde no nosso discord da comunidade)

Além disso, com o que está acontecendo no Rio Grande do Sul, fizemos um esforço de priorizar a adição de municípios de lá.

Mas muito obrigada pela contribuição e pela paciência

trevineju commented 2 weeks ago

Obrigada pela PR e pela paciência, @cassiasamp! Segue a análise dos logs que você anexou na PR:

Abaré

Coleta por período está ok Coleta completa tem duas edições abandonadas 'item_dropped_count': 2 que verifiquei serem erros no site mesmo (404 e empty-content)

Adustina

Coleta por período está ok Coleta completa tem duas edições abandonadas 'item_dropped_count': 2 que verifiquei serem erros no site mesmo (ambos empty-content)

Almadina

Coleta por período está ok Coleta completa tem duas edições abandonadas 'item_dropped_count': 4 que verifiquei serem erros no site mesmo (3 ocorrências de empty-content e 1 ocorrência de 404)

Anagé

Coleta por período está ok Coleta completa teve 92 erros de sqlite3.IntegrityError que é quando tenta adicionar no banco querido-diario.db uma edição que já existe lá. Como só ocorreu para datas de 2007 e 2008, não ficou claro pra mim se era um erro do site (poderia ser edições repetidas) ou se por ventura a coleta foi executada duas vezes. Testei novamente esse período e o erro não ocorreu.

anage-2007-2008.csv | anage-2007-2008.log

Andorinha

Coleta por período está ok Coleta completa tem duas edições abandonadas 'item_dropped_count': 4 que verifiquei serem erros no site mesmo (4 ocorrências de empty-content)

Como nenhum desses erros é culpa do raspador, visto que 404 (URL quebrada) e empty-content (arquivo vazio) são problemas do site publicador, tá aprovada a PR!

Obrigada!!

trevineju commented 2 weeks ago

Atualizei a história dessa branch com a main e também resumi os commits para não poluir o histórico.

Resumir os commits sendo: transformar todo o histórico de commits que tinha aqui antes e em apenas um.

Antes: Screenshot from 2024-06-12 11-12-23

Depois: https://github.com/okfn-brasil/querido-diario/pull/1137/commits/6720b18e75ba392401d09f7f0eeaf14cc776c170, se você clicar no commit é possível ver o histórico lá, centralizado.

Terceiro PR com os primeiros 5 municípios da issue #1115. O primeiro PR foi #1134, então #1135 e agora os arquivos estão finalmente corretos.

Sei que nessa ocasião não consegui, por conta do RS, mas costumo também ajudar as pessoas com dificuldade com Git/GitHub. Não precisava ter aberto e fechado 2 PRs até chegar nessa 3ª, podíamos ter corrigido lá na primeira PR mesmo. Da próxima vez melhoramos isso! 😃

okfn-brasil / querido-diario