ignorar zip

y no usar gualeguaychu porque va muy lento

.gitignore

@@ -3,4 +3,5 @@ dataJsons/
 log
 prueba
 datos.gob.ar*
-data/
+data/
+*.zip

Containerfile

@@ -1,6 +1,6 @@
 
 FROM docker.io/alpine:3.18 as build
-RUN apk add --no-cache npm esbuild
+RUN apk add --no-cache npm
 RUN npm install -g esbuild
 WORKDIR /tmp/build
 
@@ -8,7 +8,7 @@ COPY package.json .
 RUN npm install
 
 COPY download_json.js .
-RUN esbuild --bundle --format=cjs --platform=node --outfile=build.js download_json.js
+RUN esbuild --bundle --format=cjs --platform=node --outfile=build.js --sourcemap=inline download_json.js
 
 FROM docker.io/alpine:3.18
 RUN apk add --no-cache nodejs-current tini
@@ -16,4 +16,4 @@ COPY pki/ca_intermediate_root_bundle.pem /usr/lib/ca_intermediate_root_bundle.pe
 COPY --from=build /tmp/build/build.js /usr/local/bin/download_json.js
 ENV NODE_EXTRA_CA_CERTS=/usr/lib/ca_intermediate_root_bundle.pem
 WORKDIR /data
-CMD ["/sbin/tini", "node", "/usr/local/bin/download_json.js", "https://datos.gob.ar/data.json", "http://datos.energia.gob.ar/data.json", "https://datos.magyp.gob.ar/data.json", "https://datos.acumar.gov.ar/data.json", "https://datasets.datos.mincyt.gob.ar/data.json", "https://datos.arsat.com.ar/data.json", "https://datos.cultura.gob.ar/data.json", "https://datos.mininterior.gob.ar/data.json", "https://datos.produccion.gob.ar/data.json", "https://datos.salud.gob.ar/data.json", "https://datos.transporte.gob.ar/data.json", "https://ckan.ciudaddemendoza.gov.ar/data.json", "https://datos.santafe.gob.ar/data.json", "https://datosabiertos.chaco.gob.ar/data.json", "https://datosabiertos.gualeguaychu.gov.ar/data.json", "https://datosabiertos.mercedes.gob.ar/data.json", "http://luj-bue-datos.paisdigital.innovacion.gob.ar/data.json", "https://datosabiertos.desarrollosocial.gob.ar", "http://datos.mindef.gov.ar/data.json"]
+CMD ["/sbin/tini", "node", "--enable-source-maps", "/usr/local/bin/download_json.js"]

download_json.js

@@ -4,13 +4,66 @@ import { Agent, fetch, request, setGlobalDispatcher } from "undici";
 import { join, normalize } from "node:path";
 import pLimit from "p-limit";
 
+const sitiosPorDefecto = [
+  "https://datos.gob.ar/data.json",
+  "http://datos.energia.gob.ar/data.json",
+  "https://datos.magyp.gob.ar/data.json",
+  "https://datos.acumar.gov.ar/data.json",
+  "https://datasets.datos.mincyt.gob.ar/data.json",
+  "https://datos.arsat.com.ar/data.json",
+  "https://datos.cultura.gob.ar/data.json",
+  "https://datos.mininterior.gob.ar/data.json",
+  "https://datos.produccion.gob.ar/data.json",
+  "https://datos.salud.gob.ar/data.json",
+  "https://datos.transporte.gob.ar/data.json",
+  "https://ckan.ciudaddemendoza.gov.ar/data.json",
+  "https://datos.santafe.gob.ar/data.json",
+  "https://datosabiertos.chaco.gob.ar/data.json",
+  "https://datosabiertos.mercedes.gob.ar/data.json",
+  "http://luj-bue-datos.paisdigital.innovacion.gob.ar/data.json",
+  "https://datosabiertos.desarrollosocial.gob.ar/data.json",
+  "http://datos.mindef.gov.ar/data.json",
+
+  "https://monitoreo.datos.gob.ar/catalog/jgm/data.json",
+  // 'https://datosabiertos.enacom.gob.ar/data.json',
+  "https://monitoreo.datos.gob.ar/catalog/otros/data.json",
+  "https://monitoreo.datos.gob.ar/catalog/aaip/data.json",
+  "https://monitoreo.datos.gob.ar/media/catalog/sedronar/data.json",
+  "https://monitoreo.datos.gob.ar/catalog/modernizacion/data.json",
+  "https://monitoreo.datos.gob.ar/media/catalog/shn/data.json",
+  "https://monitoreo.datos.gob.ar/catalog/smn/data.json",
+  "https://monitoreo.datos.gob.ar/catalog/ign/data.json",
+  "https://monitoreo.datos.gob.ar/catalog/justicia/data.json",
+  "https://monitoreo.datos.gob.ar/catalog/seguridad/data.json",
+  "https://monitoreo.datos.gob.ar/media/catalog/ambiente/data.json",
+  // "http://andino.siu.edu.ar/data.json",
+  "https://monitoreo.datos.gob.ar/catalog/educacion/data.json",
+  "https://monitoreo.datos.gob.ar/media/catalog/inti/data.json",
+  "https://monitoreo.datos.gob.ar/catalog/ssprys/data.json",
+  "https://www.presupuestoabierto.gob.ar/sici/rest-api/catalog/public",
+  "https://transparencia.enargas.gob.ar/data.json",
+  "https://infra.datos.gob.ar/catalog/sspm/data.json",
+  "https://monitoreo.datos.gob.ar/catalog/ssprys/data.json",
+  "https://monitoreo.datos.gob.ar/catalog/siep/data.json",
+  "https://monitoreo.datos.gob.ar/catalog/exterior/data.json",
+  "http://datos.pami.org.ar/data.json",
+  "https://monitoreo.datos.gob.ar/media/catalog/trabajo/data.json",
+  "https://datos.yvera.gob.ar/data.json",
+  "https://monitoreo.datos.gob.ar/media/catalog/renaper/data.json",
+  "https://monitoreo.datos.gob.ar/media/catalog/dine/data.json",
+  "https://monitoreo.datos.gob.ar/media/catalog/obras/data.json",
+  "https://monitoreo.datos.gob.ar/media/catalog/generos/data.json",
+];
+
+// desactivado porque va MUY lento: datosabiertos.gualeguaychu.gov.ar
+
 // FYI: al menos los siguientes dominios no tienen la cadena completa de certificados en HTTPS. tenemos que usar un hack (node_extra_ca_certs_mozilla_bundle) para conectarnos a estos sitios. (se puede ver con ssllabs.com) ojalá lxs administradorxs de estos servidores lo arreglen.
 // www.enargas.gov.ar, transparencia.enargas.gov.ar, www.energia.gob.ar, www.economia.gob.ar, datos.yvera.gob.ar
 
 setGlobalDispatcher(
   new Agent({
     pipelining: 0,
-  })
+  }),
 );
 
 /** key es host
@@ -28,14 +81,14 @@ class StatusCodeError extends Error {
   }
 }
 class TooManyRedirectsError extends Error {}
-const jsonUrls = process.argv.slice(2);
+let jsonUrls = process.argv.slice(2);
 if (jsonUrls.length < 1) {
-  console.error("Especificamente el url al json porfa");
-  process.exit(1);
+  jsonUrls = sitiosPorDefecto;
 }
+await writeFile("readme.txt", generateReadme(jsonUrls));
 for (const url of jsonUrls)
   downloadFromData(url).catch((error) =>
-    console.error(`${url} FALLÓ CON`, error)
+    console.error(`${url} FALLÓ CON`, error),
   );
 
 /**
@@ -43,7 +96,7 @@ for (const url of jsonUrls)
  */
 async function downloadFromData(jsonUrlString) {
   const jsonUrl = new URL(jsonUrlString);
-  const outputPath = jsonUrl.host;
+  const outputPath = `${jsonUrl.host}${jsonUrl.pathname}`.replaceAll("/", "_");
   await mkdir(outputPath, { recursive: true });
   const errorFile = (
     await open(join(outputPath, "errors.jsonl"), "w")
@@ -64,7 +117,7 @@ async function downloadFromData(jsonUrlString) {
             return true;
           } catch (error) {
             errorFile.write(
-              JSON.stringify(encodeError({ dataset, dist }, error)) + "\n"
+              JSON.stringify(encodeError({ dataset, dist }, error)) + "\n",
             );
             return false;
           }
@@ -75,14 +128,14 @@ async function downloadFromData(jsonUrlString) {
           url: patchUrl(new URL(dist.downloadURL)),
           outputPath,
           attempts: 0,
-        }))
+        })),
     );
     const totalJobs = jobs.length;
     let nFinished = 0;
     let nErrors = 0;
 
     // por las dudas verificar que no hayan archivos duplicados
-    chequearIdsDuplicados(jobs);
+    chequearIdsDuplicados(jobs, outputPath);
 
     shuffleArray(jobs);
 
@@ -96,7 +149,7 @@ async function downloadFromData(jsonUrlString) {
         try {
           await downloadDistWithRetries(job);
         } catch (error) {
-          await errorFile.write(JSON.stringify(job, encodeError(error)) + "\n");
+          errorFile.write(JSON.stringify(encodeError(job, error)) + "\n");
           nErrors++;
         } finally {
           nFinished++;
@@ -104,16 +157,16 @@ async function downloadFromData(jsonUrlString) {
       });
     });
 
-    process.stderr.write(`info[${jsonUrl.host}]: 0/${totalJobs} done\n`);
+    process.stderr.write(`info[${outputPath}]: 0/${totalJobs} done\n`);
     const interval = setInterval(() => {
       process.stderr.write(
-        `info[${jsonUrl.host}]: ${nFinished}/${totalJobs} done\n`
+        `info[${outputPath}]: ${nFinished}/${totalJobs} done\n`,
       );
     }, 30000);
     await Promise.all(promises);
     clearInterval(interval);
     if (nErrors > 0)
-      console.error(`${jsonUrl.host}: Finished with ${nErrors} errors`);
+      console.error(`${outputPath}: Finished with ${nErrors} errors`);
   } finally {
     errorFile.close();
   }
@@ -139,13 +192,13 @@ async function downloadDistWithRetries(job, attempts = 0) {
       await wait(15000);
       return await downloadDistWithRetries(job, attempts + 1);
     }
-    // si no fue un error de http, reintentar hasta 5 veces con 5 segundos de por medio
+    // si no fue un error de http, reintentar hasta 3 veces con 5 segundos de por medio
     else if (
       !(error instanceof StatusCodeError) &&
       !(error instanceof TooManyRedirectsError) &&
-      attempts < 10
+      attempts < 3
     ) {
-      await wait(5000);
+      await wait(5000 + Math.random() * 10000);
       return await downloadDistWithRetries(job, attempts + 1);
     } else throw error;
   }
@@ -175,12 +228,12 @@ async function downloadDist({ dist, dataset, url, outputPath }) {
   const fileDirPath = join(
     outputPath,
     sanitizeSuffix(dataset.identifier),
-    sanitizeSuffix(dist.identifier)
+    sanitizeSuffix(dist.identifier),
   );
   await mkdir(fileDirPath, { recursive: true });
   const filePath = join(
     fileDirPath,
-    sanitizeSuffix(dist.fileName || dist.identifier)
+    sanitizeSuffix(dist.fileName || dist.identifier),
   );
 
   if (!res.body) throw new Error("no body");
@@ -215,14 +268,15 @@ function sanitizeSuffix(path) {
 
 /**
  * @param {DownloadJob[]} jobs
+ * @param {string} id
  */
-function chequearIdsDuplicados(jobs) {
+function chequearIdsDuplicados(jobs, id) {
   const duplicated = hasDuplicates(
-    jobs.map((j) => `${j.dataset.identifier}/${j.dist.identifier}`)
+    jobs.map((j) => `${j.dataset.identifier}/${j.dist.identifier}`),
   );
   if (duplicated) {
     console.error(
-      "ADVERTENCIA: ¡encontré duplicados! es posible que se pisen archivos entre si"
+      `ADVERTENCIA[${id}]: ¡encontré duplicados! es posible que se pisen archivos entre si`,
     );
   }
 }
@@ -243,7 +297,7 @@ function wait(ms) {
  */
 function encodeError(job, error) {
   const always = {
-    url: job.url?.toString || job.dist.downloadURL,
+    url: job.url?.toString() || job.dist.downloadURL,
     datasetIdentifier: job.dataset.identifier,
     distributionIdentifier: job.dist.identifier,
   };
@@ -280,3 +334,45 @@ function shuffleArray(array) {
     [array[i], array[j]] = [array[j], array[i]];
   }
 }
+
+/**
+ * @param {string[]} portales
+ */
+function generateReadme(portales) {
+  // basado en el readme de Patricio
+  return `Dumps de Portales de Datos Abiertos de la República Argentina
+=============================================================
+
+El zip contiene todo lo que se pudo descargar de los portales seleccionados, que fueron:
+${portales.map((p) => `- ${p}`).join("\n")}
+
+La carpeta está ordenada en subcarpetas cuyo nombre corresponde al ID del dataset/distribución del portal. De esta forma, 
+leyendo el data.json se puede programaticamente y de manera simple volver a mapear qué archivo le corresponde a cada
+distribución.
+
+Formato:
+
+- {url de data.json sin protocolo y con / reemplazado por _}/
+  - data.json
+  - errors.jsonl: archivo con todos los errores que se obtuvieron al intentar descargar todo.
+  - {identifier de dataset}/
+    - {identifier de distribution}/
+      - {fileName (o, si no existe, identifier de distribution)}
+
+Ejemplo:
+
+- datos.gob.ar_data.json/
+  - data.json
+  - errors.jsonl
+  - turismo_fbc269ea-5f71-45b6-b70c-8eb38a03b8db/
+    - turismo_0774a0bb-71c2-44d7-9ea6-780e6bd06d50/
+      - cruceristas-por-puerto-residencia-desagregado-por-pais-mes.csv
+    - ...
+  - energia_0d4a18ee-9371-439a-8a94-4f53a9822664/
+    - energia_9f602b6e-2bef-4ac4-895d-f6ecd6bb1866/
+      - energia_9f602b6e-2bef-4ac4-895d-f6ecd6bb1866 (este archivo no tiene fileName en el data.json, entonces se reutiliza el identifier)
+  - ...
+
+Este dump fue generado con transicion-desordenada-diablo: https://gitea.nulo.in/Nulo/transicion-desordenada-diablo
+`;
+}

package.json

@@ -5,7 +5,7 @@
   "description": "",
   "main": "index.js",
   "scripts": {
-    "run": "env NODE_EXTRA_CA_CERTS=pki/ca_intermediate_root_bundle.pem node download_json.js"
+    "run": "mkdir -p data && cd data && env NODE_EXTRA_CA_CERTS=../pki/ca_intermediate_root_bundle.pem node ../download_json.js"
   },
   "keywords": [],
   "author": "",
@@ -15,6 +15,7 @@
     "undici": "^5.28.0"
   },
   "devDependencies": {
+    "@tsconfig/node20": "^20.1.2",
     "@types/node": "^20.10.0"
   }
 }

pnpm-lock.yaml

@@ -13,6 +13,9 @@ dependencies:
     version: 5.28.0
 
 devDependencies:
+  '@tsconfig/node20':
+    specifier: ^20.1.2
+    version: 20.1.2
   '@types/node':
     specifier: ^20.10.0
     version: 20.10.0
@@ -24,6 +27,10 @@ packages:
     engines: {node: '>=14'}
     dev: false
 
+  /@tsconfig/node20@20.1.2:
+    resolution: {integrity: sha512-madaWq2k+LYMEhmcp0fs+OGaLFk0OenpHa4gmI4VEmCKX4PJntQ6fnnGADVFrVkBj0wIdAlQnK/MrlYTHsa1gQ==}
+    dev: true
+
   /@types/node@20.10.0:
     resolution: {integrity: sha512-D0WfRmU9TQ8I9PFx9Yc+EBHw+vSpIub4IDvQivcp26PtPrdMGAq5SDcpXEo/epqa/DXotVpekHiLNTg3iaKXBQ==}
     dependencies:

readme.md

@@ -1,5 +1,9 @@
 # WIP: descargador masivo de datos públicos
 
+descarga masivamente archivos de la mayoría de los portales de datos argentinos que tengan un archivo "data.json" ([DCAT](https://www.w3.org/TR/vocab-dcat-2/)). la idea es tener un espejo (mirror) lo más perfecto posible en el caso de que cualquiera de las fuentes se caiga.
+
+## setup
+
 require [Node.js](https://nodejs.org) y [pnpm](https://pnpm.io/)
 
 ```
@@ -9,8 +13,13 @@ pnpm install
 ## correr
 
 ```
-pnpm run run download_json.js https://datos.gob.ar/data.json
-# guarda en ./datos.gob.ar
+# descargar portal datos.gob.ar
+pnpm run run https://datos.gob.ar/data.json
+# guarda en data/datos.gob.ar_data.json
+
+# descargar todos los portales conocidos
+pnpm run run
+# guarda en data/*
 ```
 
 ## contenedor
@@ -22,9 +31,23 @@ docker run --rm -it -v ./data:/data gitea.nulo.in/nulo/transicion-desordenada-di
 
 ## formato de repo guardado
 
-- `{dominio de repo}`
+- `{url de data.json sin protocolo y con / reemplazado por _}/`
   - `data.json`
   - `errors.jsonl`: archivo con todos los errores que se obtuvieron al intentar descargar todo.
-  - `{identifier de dataset}`
-    - `{identifier de distribution}`
+  - `{identifier de dataset}/`
+    - `{identifier de distribution}/`
       - `{fileName (o, si no existe, identifier de distribution)}`
+
+### ejemplo
+
+- `datos.gob.ar_data.json/`
+  - `data.json`
+  - `errors.jsonl`
+  - `turismo_fbc269ea-5f71-45b6-b70c-8eb38a03b8db/`
+    - `turismo_0774a0bb-71c2-44d7-9ea6-780e6bd06d50/`
+      - `cruceristas-por-puerto-residencia-desagregado-por-pais-mes.csv`
+    - ...
+  - `energia_0d4a18ee-9371-439a-8a94-4f53a9822664/`
+    - `energia_9f602b6e-2bef-4ac4-895d-f6ecd6bb1866/`
+      - `energia_9f602b6e-2bef-4ac4-895d-f6ecd6bb1866` (este archivo no tiene fileName en el data.json, entonces se reutiliza el `identifier`)
+  - ...

tsconfig.json

@@ -0,0 +1,17 @@
+{
+  "$schema": "https://json.schemastore.org/tsconfig",
+  "display": "Node 20",
+  "_version": "20.1.0",
+
+  "compilerOptions": {
+    "lib": ["es2023"],
+    "module": "node16",
+    "target": "es2022",
+
+    "strict": true,
+    "esModuleInterop": true,
+    "skipLibCheck": true,
+    "forceConsistentCasingInFileNames": true,
+    "moduleResolution": "node16"
+  }
+}