O Ro-dou é uma ferramenta para gerar dinamicamente DAGs no Apache Airflow que fazem clipping do Diário Oficial da União (DOU) e dos Diários Oficiais de municípios por meio do Querido Diário (QD). Receba no email todas as publicações que contenham as palavras chaves que você definir.
Veja uma apresentação completa no canal da ENAP no YouTube, feita na Semana de Inovação de 2021.
- Frequência diária, semanal ou mensal
- Relatório em
.CSV - Busca dinâmica das palavras chaves de um BD ou de uma Variável
- Pesquisa em Seção específica
- Envio de notificações para canais Discord e Slack
Além do código fonte disponibilizamos também neste repositório uma configuração de exemplo para que você possa executar o Ro-dou no seu computador. Para isso é necessário ter o Docker Compose na versão 1.29 ou maior instalado. Após clonar o repositório no seu computador, acesse o diretório pela linha de comando e execute os comandos a seguir:
make runEste comando baixa as imagens docker necessárias, faz build da contêiner do Ro-dou e sobe tudo.
O Airflow pode demorar alguns minutos para se configurar a primeira vez. Após
isso ele estará disponível em http://localhost:8080/. Para se autenticar
utilize o login airflow e a senha airflow. Na tela inicial estão listados
os clippings de exemplo referentes aos arquivos YAML do diretório dag_confs/.
No airflow eles são chamados de DAGs.
Para executar qualquer DAG é necessário ligá-la. Inicialmente todas estão pausadas. Comece testando o Clipping all_parameters_example. Utilize o botão toggle para ligá-lo. Após ligá-lo o Airflow o executará uma única vez. Clique no nome da DAG para visualizar o detalhe da execução. Tanto na visualização em árvore (Tree) como na visualização em Grafo (Graph) é possível constatar se houve algum resultado encontrado na API da Imprensa Nacional para os termos e demais parâmetros deste clipping. Se a tarefa chamada "send_report" estiver na cor verde significa que houve resultado e que o email foi enviado.
Para visualizar o email acesse o endereço http://localhost:5000/. Este é um
serviço que simula uma caixa de email (servidor SMTP) para fins de
experimentação. Voilà!. O arquivo de configuração deste Clipping está na
pasta dag_confs/. Confira aqui no Github.
Agora teste o Clipping terms_from_variable seguindo os mesmo passos. Neste caso os termos pesquisados estão listados em uma Variável do Airflow e podem ser modificados pela interface gráfica. Acesse no menu Admin >> Variables ou pela URL http://localhost:8080/variable/list/.
Leia a seção Configurando em Produção para instalar o Ro-dou utilizando um provedor SMTP real que enviará os emails para os destinatários verdadeiros.
Para desligar o Ro-dou execute o comando:
make down# Restrições da Arquitetura
Em janeiro de 2023 a Imprensa Nacional realizou uma mudança no portal de
pesquisa do diário oficial para bloquear
o acesso automatizado realizado por robôs similares ao Ro-dou. Dessa
forma, para superar essa barreira foi necessário recorrer ao uso do
Selenium, uma solução robusta porém que ocasiona um grande consumo de
recursos de memória RAM. Nós defendemos os princípios dos dados abertos
e enxergamos a mudança no portal do diário oficial como um retrocesso na
democratização do acesso aos dados abertos.
Em fevereiro de 2023 a IN desabilitou o cloudfare e a solução anterior, sem o Selenium, voltou a funcionar.
Para utilizar o Ro-dou em produção é necessário que o servidor tenha disponível um serviço SMTP que será utilizado pelo Airflow para envio dos emails pela Internet. Siga os seguintes passos:
-
Utilize as credenciais do serviço SMTP (host, usuário, senha, porta, etc) para editar o arquivo
docker-compose.ymlsubstituindo as variáveis referentes ao SMTP, a exemplo deAIRFLOW__SMTP__SMTP_HOST. -
Ao final do arquivo
docker-compose.ymlremova as linhas que declaram o serviço smtp4dev uma vez que ele não será mais necessário.
É isso! Agora basta subir o Ro-dou executando o comando:
make runA configuração a seguir cria uma DAG que realiza a pesquisa diária dos 6 termos e envia o relatório para o email fornecido.
dag:
id: pesquisa_dou_termos_interesse_nitai
description: Pesquisa termos de interesse de Nitai.
search:
terms:
- dados abertos
- governo aberto
- engenharia de dados
- software livre
- código aberto
- open source
report:
emails:
- nitaibezerra@protonmail.comEsta configuração realiza a pesquisa diária de segunda a sexta-feira 8AM,
apenas na Seção 1 e na Edição Suplementar e envia o resultado em
formato CSV anexado juntamente ao email. O parâmetro schedule
aceita valores CRON.
dag:
id: dag_id_deve_ser_unico_em_todo_airflow
description: DAG exemplo de monitoramento no DOU.
schedule: 0 8 * * MON-FRI
search:
terms:
- alocação
- realoca
- permuta
- estrutura regimental
- organização básica
dou_sections:
- SECAO_1
- EDICAO_SUPLEMENTAR
report:
emails:
- dest1@economia.gov.br
- dest2@economia.gov.br
attach_csv: True
subject: Assunto do EmailNote que aqui são utilizados os parâmetros opcionais schedule,
dou_section e attach_csv.
Neste caso é utilizado o parâmetro from_db_select em terms que torna
dinâmica a parametrização dos termos para pesquisa. Note também a inclusão de
tags que ajudam na organização e busca das DAGs no Airflow.
dag:
id: dag_ultra_dinamica
description: A pesquisa depende do select SQL.
tags:
- projeto_a
- departamento_x
search:
terms:
from_db_select:
sql: SELECT text FROM schema.tabela;
conn_id: airflow_conn_id
report:
emails:
- email-destino@economia.gov.br
subject: "[String] com caracteres especiais deve estar entre aspas"Nesta configuração é utilizado o parâmetro from_airflow_variable em terms
que também carrega dinamicamente a lista de termos, neste caso recuperando de
uma variável do Airflow. Aqui também é utilizado o campo field para
limitar as pesquisas ao campo título das publicações no DOU.
dag:
id: pesquisa_a_lista_na_variavel
description: É fácil editar a variável na interface do Airflow.
search:
terms:
from_airflow_variable: nome_da_variavel_no_airflow
field: TITULO
report:
emails:
- email-destino@economia.gov.br
skip_null: FalseCaso não encontre nenhum resultado, será enviado email informando que nenhum termo foi encontrado.
Esta configuração produz uma DAG que executa apenas uma vez por mês, no dia
1 às 8AM, como pode ser visto no schedule. Ao passo que a pesquisa
no DOU é realizada nos diários oficiais do último mês inteiro, através do
uso do parâmetro date. Aqui também é utilizado o parâmetro is_exact_search
com valor False para utilizar pesquisa aproximada. Apesar de o termo buscado
"paralelpipido" conter um erro de ortográfico, a busca retorna os
resultados corretos. Veja!
dag:
id: relatorio_mensal_do_dou
description: Envia um numero menor de emails.
schedule: 0 8 1 * *
search:
terms:
- paralelpipido
date: MES
is_exact_search: False
report:
emails:
- email-destino@economia.gov.brEsta configuração produz uma DAG que pesquisa no Querido Diário pelos termos pandemia, dados pessoais e prefeitura buscando apenas os resultados do Diário Oficial de Belo Horizonte. Para conhecer o Querido Diário acesse https://queridodiario.ok.org.br/.
dag:
id: dou_qd_example
description: DAG de teste
search:
sources:
- QD
territory_id: 3106200 # Belo Horizonte
terms:
- pandemia
- dados pessoais
- prefeitura
report:
emails:
- destination@economia.gov.br
attach_csv: True
subject: "Teste do Ro-dou"Esta configuração produz uma DAG exatamente igual ao exemplo básico, mas
adiciona uma descrição longa do que a DAG faz, usando o parâmetro
doc_md. Essa descrição pode conter formatação markdown, incluindo
títulos, listas, links, etc.
Além disso, acrescenta também uma referência ao nome do arquivo que gerou a DAG bem como os seus parâmetros.
dag:
id: markdown_docs_example
description: DAG com documentação em markdown
search:
terms:
- dados abertos
- governo aberto
- lei de acesso à informação
report:
emails:
- destination@economia.gov.br
subject: "Teste do Ro-dou"
doc_md: >-
## Ola!
Esta é uma DAG de exemplo com documentação em markdown. Esta
descrição é opcional e pode ser definida no parâmetro `doc_md`.
* Ah, aqui você também pode usar *markdown* para
* escrever listas, por exemplo,
* ou colocar [links](graph)!Para ver essa documentação, basta clicar o botão "DAG Docs" em qualquer tela de visualização da DAG no Airflow.
Esta configuração envia as notificações para canais Discord. É necessário ter permissões de administrador no Discord para gerar o Webhook:
dag:
id: discord_example
description: Envia notificações para canal Discord
search:
terms:
- manifestação cultural
- expressão cultural
- política cultural
report:
report:
discord:
webhook: https://discord.com/api/webhooks/105220xxxxxx811250/Q-XsfdnoHtudTQ-8A6zzzzznitai-vi0bGLE7xxxxxxxxxxxxxxxxxxxmx94R3oZ1h0ngl1Esta configuração envia as notificações para canais Slack. É necessário ter permissões de administrador no Slack para gerar o Webhook:
dag:
id: slack_example
description: Envia notificações para canal Slack
search:
terms:
- manifestação cultural
- expressão cultural
- política cultural
report:
report:
slack:
webhook: https://hooks.slack.com/services/XXXXXXXX/XXXXNFDXXX/n6QXXXXrPwxQ71ZXXXXXT9Todos os parâmetros disponíveis para pesquisa foram criados a partir da API da Imprensa Nacional que por sua vez é utilizada pelo buscador oficial do DOU em https://www.in.gov.br/consulta/. Ou seja, o Ro-dou consegue automatizar todo, ou quase todo, tipo de pesquisa que pode ser feita no site do DOU. A imagem abaixo é o painel de pesquisa avançada do site:
Por padrão, caso omitido, o valor do parâmetro dou_section é TODOS. Ou
seja, a pesquisa é feita em todas as seções do DOU. Este campo aceita mais de
uma opção.
-
dou_sections:- SECAO_1
- SECAO_2
- SECAO_3
- EDICAO_EXTRA
- EDICAO_SUPLEMENTAR
- TODOS
-
date:- DIA
- SEMANA
- MES
- ANO
-
field:- TUDO
- TITULO
- CONTEUDO