ctresb/leis

选用指南

AI 根据 README 整理 · 2026/11/6 11:56:27

使用方式

通过命令行脚本下载、转换和更新法律文本，也可直接浏览 Markdown 文件。

查看 README 依据

Para JPEG/TIFF/PNG, o conversor pode usar Tesseract 5 com o modelo português [`tessdata_best/por.traineddata`](https://raw.githubusercontent.com/tesseract-ocr/tessdata_best/main/por.traineddata) em `scripts/bin/tessdata/por.traineddata`. SHA-256 esperado: `711de9dbb8052067bd42f16b9119967f30bada80d57e2ef24f65d09f531adb04`. O Markdown identifica o motor utilizado; os originais permanecem no cache. ```sh # baixar — todos os scripts são retomáveis: pulam o que já existe python3 -I scripts/baixar_federal.py python3 -I scripts/estados/sp.py # um estado por script

python3 -I scripts/estados/sapl.py baixar PB # estados com SAPL python3 -I scripts/estados/spl_agape.py ES # ES e SE # manter em ordem python3 -I scripts/reconverter.py [UF ...] # regenera os .md a partir de _fonte python3 -I scripts/normalizar.py # pastas, tipos e cabeçalhos canônicos python3 -I scripts/corrigir_ocr.py # ordinais do OCR python3 -I scripts/corrigir_datas_invalidas.py # datas que não existem no calendário python3 -I scripts/relatorio.py # atualiza COBERTURA.md

部署要求

需要 macOS、Python 3 和 pdftotext（poppler）；OCR 使用 macOS Vision 框架，可选 Tesseract 5。

查看 README 依据

segmentação e ordem de leitura; a amostra não comprova a qualidade de todo o acervo. `baidu/Unlimited-OCR` foi testado em Apple Silicon e não serve localmente: na resolução de treino o encoder de visão pede ~21 GB, e numa resolução que caiba o prefill leva 221 s por página com saída vazia. Reprocessar o lote exige GPU NVIDIA. --- ## Reproduzir e atualizar **Requisitos:** macOS, Python 3 e `pdftotext` (poppler). A reconstrução geométrica dos diários municipais requer também `pypdf` no mesmo Python. Para o OCR, usa-se o framework Vision via `swiftc -O scripts/ocr.swift -o scripts/bin/ocr`.

Para JPEG/TIFF/PNG, o conversor pode usar Tesseract 5 com o modelo português [`tessdata_best/por.traineddata`](https://raw.githubusercontent.com/tesseract-ocr/tessdata_best/main/por.traineddata) em `scripts/bin/tessdata/por.traineddata`. SHA-256 esperado: `711de9dbb8052067bd42f16b9119967f30bada80d57e2ef24f65d09f531adb04`. O Markdown identifica o motor utilizado; os originais permanecem no cache. ```sh # baixar — todos os scripts são retomáveis: pulam o que já existe python3 -I scripts/baixar_federal.py python3 -I scripts/estados/sp.py # um estado por script

已知限制

文本为自动转换和 OCR，不替代官方公报；部分州数据缺失或未更新，OCR 存在已知错误。

查看 README 依据

jurisprudência vinculante e o direito estadual e municipal — num lugar só, em texto simples, de graça, para qualquer pessoa. [](PROGRESSO.md) O escopo completo está em [`scripts/plano.py`](scripts/plano.py) e a medição item a item — o que já tem, o que falta, de que fonte vem e em qual pasta fica — em **[PROGRESSO.md](PROGRESSO.md)**, gerados por `scripts/progresso.py`. > [!IMPORTANT] > Os textos têm caráter informativo e **não substituem a publicação no Diário Oficial**. São > conversões automáticas e OCR de documentos escaneados. Confira sempre a fonte

| **PR** — destravado em 15/10/2026 | o WAF de `legislacao.pr.gov.br` devolvia 403 a partir da segunda requisição. Em novo teste, seis requisições seguidas responderam 200: o bloqueio saiu. `scripts/estados/pr.py` passou a coletar, com lei, lei complementar, emenda, Constituição, decreto, resolução e portaria | | **RJ** — nada coletado | o Lotus Notes da ALERJ fecha a conexão ou leva mais de 60 s por página. `scripts/estados/rj.py` está pronto para quando o servidor voltar | | **AC** — só até 2009 | limite do SAPL da Assembleia | | **TO** — a partir de 2020 | limite do SAPL da Assembleia |

| **MG** — não atualiza mais | `dadosabertos.almg.gov.br/arquivo/legislacao-mineira/download` passou a responder 204 sem conteúdo para todo ano, e o serviço `ws/legislacao` não responde. As 26.733 normas já coletadas continuam no acervo; a atualização precisa de outro caminho na ALMG | ### Qualidade do OCR Na base inicial, 17.016 arquivos vieram de PDF escaneado, com OCR pelo framework Vision do macOS. Há dois problemas conhecidos, com correções de alcance diferente: - **ordem de leitura trocada** em digitalizações de duas colunas — detector implementado, com