um guia para scrapping de pdf's

[Daniel Souza]

http://www.propublica.org/nerds/item/doc-dollars-guides-collecting-the-data

abs

Daniel 

ps: algumas ferramentas já são conhecidas de nossa comunidade. achei interessante

a ferramenta de OCR e os plugins para Ruby. 

[tev...@gmail.com]

Interessante, mas nada muito pratico... o interessante seria uma ferramenta mesmo que pudesse ler um determinado tipo de documento em PDF e disponibilizar as informacoes de dentro dele em um formato mais web-like, como XML...

Um projeto que eu comecei, mas que acabei sem tempo pra continuar, foi o douparser, que tem como objetivo tentar extrair informacoes do Diario Oficial da Uniao (http://gitorious.com/douparser/douparser). Patches e merge-requests sao bem-vindos.

Estevao Samuel Procopio

2011/1/17 Daniel Souza <danieli...@gmail.com>

--
Você está recebendo esta mensagem porque se inscreveu no grupo "Transparência Hacker" dos Grupos do Google.
Para postar neste grupo, envie um e-mail para thac...@googlegroups.com.
Para cancelar a inscrição nesse grupo, envie um e-mail para thackday+u...@googlegroups.com.
Para obter mais opções, visite esse grupo em http://groups.google.com/group/thackday?hl=pt-BR.

[Emerson Vinicius]

Estou qurendo criar um DSL para raspagem de dados com focu em não progamadores, para quem conhce o cucumber, aglo assim mais voltado a raspagem e disponibilização.

Para os leigos, criar uma linguagem de facil entendimento para que qualquer possas pegar os dados que quiserem, simplesmente descrevendo, como uma historia, o que quer e como quer. 

exemplo:

   Meu alvo é a pagina http://sitedosdeputados.com/meualvoestaqui

   Quero da Tabela 'Contas Pagas' as colunas

       |nome, valor, data|

   Em formato do excel

    

Bastaria salvar isso como arquivo de texto e executar-lo.

Acredito que isso seja interessante para muitos aqui, me digam o que acham.

$ cat /etc/contact
   Emerson Vinicius (Duke)
   twitter: @emersonvinicius
   gtalk: duke.m16
   evinicius.com
   blog.evinicius.com

2011/1/17 tev...@gmail.com <tev...@gmail.com>