Skip to content

feat(Uai): Adiciona Spider e Scraper para o Portal Uai - #78

Open
DanielRogs wants to merge 11 commits into
EH-FAKE:developfrom
GCES-EhFake-Fork:feat/scraping-portaluai
Open

DanielRogs wants to merge 11 commits into
EH-FAKE:developfrom
GCES-EhFake-Fork:feat/scraping-portaluai

Conversation

@DanielRogs

@DanielRogs DanielRogs commented Nov 19, 2025 •

Copy link
Copy Markdown

Descrição

Implementa novo scraper para o Portal UAI com arquitetura multi-domínio, permitindo coleta de notícias de 5 domínios diferentes da rede UAI: uai.com.br, em.com.br, vrum.com.br, aqui.uai.com.br e soubh.uai.com.br.

Motivação: Expandir a cobertura de coleta de notícias para incluir um dos principais portais de notícias de Minas Gerais, aumentando significativamente o volume e diversidade de conteúdo coletado.

🗂️ Tipo de Mudança

  • 🐞 Correção de bug (fix)
  • ✨ Nova funcionalidade (feat)
  • ♻️ Refatoração (refactor/improve)
  • 📝 Documentação (docs)
  • 🚀 Performance (perf)
  • 🧪 Testes (test)
  • ⚙️ Build/CI (build/ci/cd/static)

📌 Checklist

  • Mensagem de commit segue o padrão Conventional Commits
  • Nome da branch segue a Política de Branches Git Flow
  • Testes adicionados/atualizados
  • Documentação atualizada (README / Storybook / Swagger / MkDocs)
  • Pipeline CI/CD aprovado
  • Sem dependências pendentes

🔗 Issues Relacionadas

Closes #[número_da_issue]

🧪 Como Testar

  1. Executar coleta de URLs: make crawl_uai
  2. Verificar URLs coletadas: Confirmar que ~60+ URLs foram salvas no banco
  3. Executar extração: make scrape_uai
  4. Validar conteúdo: Verificar que título, descrição, corpo e tags foram extraídos
  5. Resultado esperado: Taxa de sucesso de 93%+ na extração dos campos

📷 Evidências

Screenshots, GIFs ou logs (se aplicável).

🚀 Principais Funcionalidades Implementadas:

Spider Multi-Domínio (spiders/uai.py)

  • Coleta URLs de 5 domínios diferentes
  • Filtros robustos para remover conteúdo não-noticioso
  • Seletores otimizados para cada subdomínio

Play de Extração (plays/uai.py)

  • Extração de 4 campos: título, descrição, corpo, tags
  • Seletores múltiplos com fallbacks
  • Tratamento específico para cada domínio
  • Taxa de sucesso: 93%+

Integração Completa

  • Comandos no Makefile: crawl_uai / scrape_uai
  • Documentação atualizada no README
  • Compatibilidade com pipeline existente

Qualidade dos Dados

  • Títulos: 100% de extração bem-sucedida
  • Descrições: 100% após correções
  • Corpo: Conteúdo substancial (2K-8K caracteres)
  • Tags: Categorização automática por URL

📃 Notas Adicionais

  • Portal multi-domínio: Primeira implementação com 5 domínios distintos no projeto

luciano-freitas-melo and others added 11 commits September 17, 2025 20:33
* fix: corrige links e atualiza config de issues do repositorio

* fix(link documentacao):  atualiza link doc novo spider

---------

Co-authored-by: luciano-freitas-melo <lucianodefreitasmelo@hotmail.com>
* adição de icones para os respectivos portais

* refactor(frontend/Home): remove comentarios de debug


---------

Co-authored-by: luciano-freitas-melo <lucianodefreitasmelo@hotmail.com>
docs(nova documentacao): criação guia de contribuição e codigo de conduta
feat(Jornal da Paraiba): Criação do spider e scraper do portal de notícias Jornal da Paraiba
…ecutar um scraper (#31)

* Adiciona correção que instala o firefox ao iniciar qualquer scraper.

* fix: Ajustando instalação do firefox no playwrigth

* build(Makefile): melhoria na execucao dos containers scraper

---------

Co-authored-by: Carlos Nascimento <cdgodoy17@gmail.com>
Co-Authored-By: alanagabriele
@DanielRogs DanielRogs self-assigned this Nov 19, 2025
@DanielRogs DanielRogs added the enhancement New feature or request label Nov 19, 2025
@DanielRogs DanielRogs moved this to Revisão PR (equipe) in Board de PR's | 2025.2 Nov 19, 2025
Sign up for free to join this conversation on GitHub. Already have an account? Sign in to comment

Labels

enhancement New feature or request

Projects

Status: Revisão PR (equipe)

Development

Successfully merging this pull request may close these issues.

5 participants