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

[cassiasamp]

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.
• É um layout padrão e todos os municípios adicionados usam a classe de spider base adequada para o 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.

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]

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

[trevineju]

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]

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]

Parabéns pela sua primeira contribuição ao Querido Diário!

[trevineju]

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:

Depois:
6720b18, 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! 😃