[Novo spider]: Guaratuba-PR #1138

[talesmota]

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

Código da(s) spider(s)

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

Testes

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

Verificações

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

Descrição

URL da forma de consulta

http://portal.guaratuba.pr.gov.br/diariosoficiais

Período de publicação

• janeiro/2010 - hoje
• filtros por datas estão funcionais também

Formato da publicação

Os diários oficiais são publicados em PDF (texto)

Conteúdo da publicação

Diário único: documento publicado é uma edição completa do diário oficial

Detalhes do site de publicação

No response

Observações

No response

Evidências

• ultima
  pr_guaratuba_2024-05-07.csv
  pr_guaratuba_2024-05-07.log

• janeiro/2010 - hoje
  pr_guaratuba_2010-01-01_today.csv
  pr_guaratuba_2010-01-01_today.log

• Intervalo: 2016-12-13 a 2016-12-15
  pr_guaratuba_2016-12-13_2016-12-15.csv
  pr_guaratuba_2016-12-13_2016-12-15.log

[talesmota]

Boa tarde @trevineju , desculpa te pingar, mas você é a minha única referência aqui. Mas quando eu rodei o spider para todo o período ele apresentou o um erro, o mesmo que foi relato na issue 869. Eu não tenho ideia de como debugar esse erro, apesar que não ter interferido no processo e os arquivos terem sido baixados corretamente e o csv ter sido gerado normalmente.

O log do erro é esse aqui.. E o erro apresentado é o que segue, Item Validation Monitor/test_stat_monitor: Expecting 'spidermon/validation/fields/errors' to be '<=' to '0.0'. Current value: '6'

[trevineju]

Boa tarde @trevineju , desculpa te pingar, mas você é a minha única referência aqui.

Pode pingar, tô aqui pra isso! (:
temos um discord tb, https://go.ok.org.br/discord, que tem um canal para conversar sobre raspadores que outras pessoas também respondem. Porém, prefiro quando fazem como vc e conversam aqui na issue ou no PR, fica mais contextualizado.

Item Validation Monitor/test_stat_monitor: Expecting 'spidermon/validation/fields/errors' to be '<=' to '0.0'. Current value: '6'

Se você pesquisar no log por "ERROR" vai achar 6 casos. Um deles é:

2024-05-09 13:01:50 [scrapy.pipelines.files] WARNING: File (code: 404): Error downloading file from <GET http://portal.guaratuba.pr.gov.br/images/oficial2014/332.pdf> referred in

O log está informando que estas 6 edições não foram coletadas. Tem que investigar esses casos. Olhei esse primeiro e parece que o arquivo da edição 332 (29/08/14) não existe no site justificando ter dado 404.

Tem que ir conferir os 5 demais, porém nesse caso, parece que não tem nada de errado. Pro raspador é um erro pq ele espera coletar o arquivo e não acha; mas se o arquivo não existe no site pra ser coletado não tem o que fazer (poderia ser questão de acionar a prefeitura para cobrar corrija isso no site dela). Da parte da raspagem, o que tinha para ser coletado, foi.

[talesmota]

Boa tarde @trevineju , desculpa te pingar, mas você é a minha única referência aqui.

Pode pingar, tô aqui pra isso! (: temos um discord tb, https://go.ok.org.br/discord, que tem um canal para conversar sobre raspadores que outras pessoas também respondem. Porém, prefiro quando fazem como vc e conversam aqui na issue ou no PR, fica mais contextualizado.

Item Validation Monitor/test_stat_monitor: Expecting 'spidermon/validation/fields/errors' to be '<=' to '0.0'. Current value: '6'

Se você pesquisar no log por "ERROR" vai achar 6 casos. Um deles é:

2024-05-09 13:01:50 [scrapy.pipelines.files] WARNING: File (code: 404): Error downloading file from <GET http://portal.guaratuba.pr.gov.br/images/oficial2014/332.pdf> referred in

O log está informando que estas 6 edições não foram coletadas. Tem que investigar esses casos. Olhei esse primeiro e parece que o arquivo da edição 332 (29/08/14) não existe no site justificando ter dado 404.

Tem que ir conferir os 5 demais, porém nesse caso, parece que não tem nada de errado. Pro raspador é um erro pq ele espera coletar o arquivo e não acha; mas se o arquivo não existe no site pra ser coletado não tem o que fazer (poderia ser questão de acionar a prefeitura para cobrar corrija isso no site dela). Da parte da raspagem, o que tinha para ser coletado, foi.

Entendi. E é isso mesmo, fui no site do diário oficial, no ano de 2014 na edição 332 e o link está quebrado. Vou conferir as outras ocerrências para ter certeza se é o mesmo problema. Muito Obrigado.

[talesmota]

De fato, os erros apresentados foram devidos ao links quebrados na página do diário. Por este motivo, não há muito a ser feito neste escopo. Talvez notificar de alguma forma o mantenedor do sistemas. Mas pra essa task acredito que seria esse o PR mesmo.