Skip to content

Eitol/servel_scraper

Repository files navigation

Permite obtener el padron electoral del Servel

Última fecha de funcionamiento: 2022

Corriendo el script

Se requiere python 3.8 o superior

Primero debes clonar el repo y entrar en el

git clone https://github.com/Eitol/servel_scraper.git

cd servel_scraper

Luego seteas las dependencias y el PYTHONPATH

pip3 install -r ./requirements.txt

export PYTHONPATH=$(pwd)

Luego debes correr el pipeline de ejemplo que descargará los pdf's y generará los csv's

python3 servel_scraper/main.py

Los PDF y CSV por defecto se descargan en el directorio "out"

Customizando el script

Luego puedes crear tu script customizado basandote en el main.py Por ejemplo el siguiente asume que ya tienes los ficheros descargados en out/pdf, por lo que se comenta PipelineStage.DOWNLOAD_PDFS

from servel_scraper.servel_pipeline.servel_pipeline import ServelPipeline, PipelineStage

# Aqui se descargaran los pdfs
DEFAULT_PDF_DOWNLOAD_PATH = "../out/pdf"

# Aquí se guardarán los csv generados
DEFAULT_GENERATED_CSV_PATH = '../out/csv'

p = ServelPipeline(DEFAULT_PDF_DOWNLOAD_PATH, DEFAULT_GENERATED_CSV_PATH)
p.run_pipeline([
    # PipelineStage.DOWNLOAD_PDFS,
    PipelineStage.EXTRACT_CSV_FROM_PDF
])

FAQ:

¿Cuanto pesan todos los pdfs?

Unos 7 gbs aprox

¿Cuantos pdfs son?

Unos 346 (Uno por cada código único territorial)

¿De donde se obtiene esta data?:

Los ficheros del padrón electoral son públicos y están almacenados en una url como la siguiente

"http://cdn.servel.cl/padron/CODIGO_UNICO_TERRITORIAL.pdf"

Donde CODIGO_UNICO_TERRITORIAL se puede obtener del fichero "data/codigo_de_comunas.csv"

Ejemplo:

http://cdn.servel.cl/padron/A01107.pdf

Actualización Presidenciales 2021:

Actualización Plebiscito constitucional 2022:

¿Como funciona este script?

1: Descarga cada uno de los pdfs

2: Por cada pdf descargado genera un csv con la data como el siguiente:

Image

Para la versión actual (elecciones presidenciales 2021) genera la siguiente

Image



Notas para la extracción de la info

Los nuevos ficheros contienen un texto de fondo que dificulta la extracción del texto utilizando algun OCR o rasterizador pdf.

Entonces se debe recorrer los nodos del documento PDF de la siguiente forma.

Cada página contiene dos streams.

  • El primero contiene el fondo molesto repetido muchas veces (Por ejemplo "Region metropolitana")
  • El segundo contiene la data de los votantes. (Este es el que se utiliza)

La estructura se aprecia en la siguiente imagen: Image

El siguiente paso es extraer la data del stream.

Puedes ver un ejemplo del stream en el fichero doc/data_stream_example.txt

Cada fila inicia con el string "1 0 0 1 22"

La estructura se aprecia en la siguiente imagen: Image

Notas:

Este repositorio tiene fines puramente académicos.

La utilización de este código y de la data recabada es de responsabilidad exclusiva del usuario.

About

Permite descargar el padrón del servel

Topics

Resources

License

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published