Estos scripts ha sido probados en una computadora usando Ubuntu 13.10 y necesitan que las siguientes dependencias estén instaladas.

• Python
• pip: sudo apt-get install python-pip
• bs4: sudo apt-get install python-bs4
• requests: sudo apt-get install python-requests
• dataset: sudo pip install dataset
• short_url: sudo pip install short_url
• PyRSS2Gen: sudo pip install pyrss2gen

• El script scrape.py se encarga de cosechar la información del servidor del congreso.
• Elabora un HTML con la lista de proyectos index.html, información básica (título, autores, código) y enlaces al expediente y PDF del proyecto.
• Toda la información cosechada se almancena en una base de datos SQLite3. El código en javascript se encarga de obtener los datos de esta base de datos usando JQuery y AJAX.

[We don't want OCR yet]

Esto se ha implentado al incio del proyecto pero es posible que no funcione ya que no se ha actualizado recientemente.

• El script do_ocr.py se encarga de convertir los PDFs del folder pdf/ a HTML previo proceso OCR usando tesseract.
• También crea un ATOM Feed feed.xml conteniendo los proyectos de ley que han sido convertidos de PDF a HTML.
• Si un PDF ya ha sido procesado por OCR y convertido a HTML, este script evitará volverlo a procesar en futuras corridas.
• Los archivos HTML y el feed.xml son creados con info contenida en la "base de datos" proyectos_data.json.

• El archivo base.html funciona como plantilla para crear las páginas HTML. Cualquier cambio al estilo se debe realizar en este archivo. Esta plantilla usa un estilo basado en Twitter Bootstrap con responsive features para que se vea bien en computadoras y dispositivos móbiles.

• También se puede usar un HTML radicalmente diferente como plantilla. Pero es necesario que este archivo se llame base.html y tenga los siguientes campos:

  • {% titulo %}
  • {% content %}

• Esos campos se usan para introducir en contenido en la plantilla y generar los archivos HTML.

Hay que asegurarse que se ha copiado el archivo .htaccess y que Apache2 está configurado con los modulos requeridos, especialmente rewrite.