legis-rj — legislação do Estado do Rio de Janeiro

Repositório do futuro servidor MCP e plugin sobre a legislação estadual fluminense: leis ordinárias, leis complementares, emendas constitucionais, decretos legislativos, resoluções e decretos do Poder Executivo, com o que a fonte declarar sobre revogação, alteração e inconstitucionalidade.

Segue o padrão dos acervos anteriores — Ementário do TCE-RJ, legislação de Mesquita, pareceres da PGE-RJ, atos do CNJ: Python, SQLite com FTS5, duas buscas separadas, acervo fora do Git.

Estado atual

Fase 1 — medição das fontes: feita. Está tudo em FONTES.md, com os números e as requisições que os produziram.

Fase 2 — coleta e servidor: em operação. O acervo responde por um servidor MCP com seis ferramentas, sobre um banco de 34.138 atos:

25.050  ALERJ    lei ordinária, lei complementar, emenda constitucional,
                 decreto legislativo e resolução — com situação declarada
 9.088  DOERJ    decreto do Executivo, extraído do texto do Diário

A cobertura é declarada, não presumida: a série de decretos vai de 42.200 a 50.431 e faltam 154 (1,9%), dos quais 17 têm existência comprovada porque outros atos os citam. O servidor diz isso em toda resposta que dependa disso — "não encontrei" nunca passa por "não existe".

Dois avisos por registro, simétricos e igualmente necessários: 345 atos vêm marcados como truncado (o Diário só trouxe um fragmento) e 17 com corpo_suspeito (o corpo é grande demais e pode ter arrastado matéria vizinha). Nenhum dos dois é descartado; ambos são declarados.

O que a medição mudou no plano, e continua valendo:

• Decreto do Executivo não está na base de legislação — e a base onde ele está foi abandonada. Fica em decest.nsf, que não aparece no menu do portal da ALERJ e para no Decreto 42.200, de 22/12/2009; o decreto estadual hoje está perto do 49.800. Faltam dezesseis anos. Em contlei.nsf, "Decreto" quer dizer decreto legislativo, ato da própria Assembleia.

• Não há paginação. Todo URL com Start= ou Count= derruba a conexão, inclusive os links que a própria ALERJ publica. A coleta entra pelo formulário de busca (POST), que aceita "Todos" — com teto de 1.000 por consulta, o que obriga a particionar por número de ato.

• A vigência tem dois níveis. O cabeçalho diz se o ato está em vigor; a revogação e a inconstitucionalidade do dispositivo são anotação solta no meio do texto e não sobem para o cabeçalho. A Lei 4.024/2002 está "Em Vigor" com dois parágrafos declarados inconstitucionais pelo Órgão Especial.

• Datas em MM/DD/AAAA. Locale do Domino. Ler como brasileiro inverte todo dia menor ou igual a 12, sem erro visível.

• O buraco dos decretos tem saída pelo Diário Oficial. O DOERJ publica um calendário que entrega, numa página só, 4.454 edições com o identificador de cada uma, e o PDF tem texto nativo (13,5 mil caracteres por página) — sem OCR. São ~21 GB de PDF para ~1,6 GB de texto. A busca do site não serve para enumerar (teto de 100 resultados, sem paginação); o calendário serve.

• Mas o Diário não anota vigência. A base da ALERJ traz "Revogado pela Lei nº 5919/2011" no dispositivo; o DOERJ publica e segue. Decreto vindo do Diário chega na redação do dia em que saiu. Reconstruir revogação a partir dos decretos posteriores é inferência nossa, não declaração da fonte — e a resposta do servidor tem de dizer isso.

Related MCP server: bora-mcp

Estrutura

coleta/
  alerj.py                    cliente da contlei.nsf (busca, documento, view)
  ioerj.py                    cliente do DOERJ: busca, calendário e PDF da edição
  sondar.py                   fase 1: estrutura do resultado, formato de número, teto
  sondar_documento.py         fase 1: metadados e anotações do ato
  sondar_decest.py            fase 1: a base de decretos do Executivo
  sondar_decest_cobertura.py  fase 1: até onde a série de decretos vai
  sondar_doerj.py             fase 1: caminho até o PDF e qualidade do texto
  sondar_doerj_varredura.py   fase 1: teto da busca, decretos por dia, calendário
  inventario.py               fase 1: topo de cada série normativa
medicoes/                     o que cada sondagem mediu, em JSON
dados/bruto/                  o que veio da rede, intocado (fora do Git)

Onde os arquivos moram, e por quê são dois lugares

Esta máquina tem uma rotina de arquivamento que move periodicamente projetos\legis-rj\dados para D:\Acervos\projetos__legis-rj__dados e deixa uma junção no lugar. Ela é do usuário e roda sozinha; brigar com ela é perder — na primeira tentativa de manter o acervo em C:, a rotina desfez a mudança em minutos e levou junto um banco recém-montado.

Então o acervo acompanha a rotina, com uma separação deliberada:

dados/   junção para D:\Acervos\...   PDF, texto e JSONL — onde pesa o espaço
banco/   disco interno, fora de dados/  o SQLite — onde pesa a latência

A divisão não é estética. Medido neste acervo: abrir o banco de 182 MB e conferir a integridade custou 24,3 s lendo do HD USB e 1,1 s do disco interno. Toda pergunta que o servidor responde paga esse pedágio. E banco/ estar fora de dados/ é o que impede a rotina de arquivamento de levá-lo.

Ressalva que não se apaga: neste HD o Windows já registrou erro de I/O (disk ID 51), aviso de dano no log de transações do NTFS (Ntfs ID 140) e uma leitura que estourou WinError 433. O acervo está lá por decisão do usuário, ciente disso. O banco em C: é também o que sobra se o HD sumir no meio de uma coleta.

Rodar

py -3.12 -m venv .venv
.venv\Scripts\python.exe -m pip install -r requirements.txt
.venv\Scripts\python.exe coleta\sondar.py

O ambiente é por projeto: o Python global desta máquina carrega dependências que se contradizem, e instalar nele quebra os servidores MCP já publicados.

A âncora que escondia decreto, e o que ela custou

O extrator de decretos procurava o cabeçalho no início da linha (^ com re.MULTILINE). Em parte das edições o ato não começa a linha — vem emendado no fio do texto, depois do título da seção e às vezes com asterisco de republicação:

... circulam hoje em um só caderno  ATOS DO PODER EXECUTIVO *DECRETO Nº
45.739 DE 23 DE AGOSTO DE 2016  ABRE CRÉDITO SUPLEMENTAR ...

Nessas edições o extrator não via nada e a edição inteira saía como "sem decreto". O erro não deu sintoma nenhum: a coleta terminava, o banco montava, o servidor respondia — e 505 decretos publicados constavam como ausentes.

Soltar a âncora, sozinho, traria a citação junto: "nos termos do Decreto nº 14.870…" casa igual. A defesa é a data que o próprio cabeçalho carrega. Medido em 120 cadernos:

cabeçalhos legítimos   1 a 177 dias da edição (mediana 1, p95 5)
citações               1.053, 2.337, 2.410 e 8.893 dias

Não há nada no meio, e o corte ficou em 365 dias. A guarda vale só para o cabeçalho solto: o que já entrava pela âncora continua entrando como antes, para a correção não mudar por baixo o acervo que já tinha sido conferido.

Resultado imediato, sem baixar um único arquivo — era texto que já estava em disco: 933 ausentes (11,3%) viraram 412 (5,0%).

E a correção do extrator destravou a coleta pela rede, que antes rendia zero. A recuperação por Diário, que em duas rodadas trouxe 0 em 50 tentativas, passou a acertar 59% com a mesma máquina e a mesma fonte — os decretos sempre estiveram publicados; o extrator é que não os via. A série fechou em 154 ausentes (1,9%).

Coleta

Duas varreduras retomáveis, uma por fonte, rodando desde 05/08/2026:

.venv\Scripts\python.exe coleta\coletar_doerj.py

.venv\Scripts\python.exe coleta\coletar_alerj.py

Podem ser interrompidas a qualquer momento: o manifesto do DOERJ e o progresso da ALERJ dizem onde retomar. O que já veio fica em dados/, fora do Git.

Rodando sozinho

A Tarefa Agendada legis-rj-coleta chama rodar.cmd a cada 15 minutos: faz o que falta e sai; nada pendente, sai em segundos. Log em dados/agendado.log, erros em dados/agendado_saida.log.

Três coisas que essa tarefa aprendeu na marra, e que valem para a próxima:

• Nasce proibida de rodar fora da tomada. DisallowStartIfOnBatteries vem ligado por padrão, e a tarefa fica em Enfileirados sem nunca executar — sem erro nenhum. Corrigido no XML.

• O agendador parte o caminho no espaço. /tr com um caminho contendo "Matheus Menegatti" virou <Command>C:\Users\Matheus</Command> mais <Arguments>Menegatti\...</Arguments>. Registrar por XML resolve.

• Sob o agendador não há console. Processo que morre antes de abrir o log não deixa rastro, e a tarefa aparece como bem-sucedida. Por isso o .cmd registra a partida e captura o erro padrão, e o .cmd é ASCII puro — acento em linha rem vira comando inválido.

Para conferir ou mexer:

schtasks /query /tn legis-rj-coleta /fo LIST /v

Duas coisas que a coleta descobriu e que valem por si:

• O calendário do DOERJ às vezes entrega outro caderno — 1 página no lugar de 83, íntegro, sem nada que denuncie. O coletor confere cada edição contra a busca do dia e desvia quando falta página.

• O teto de 1.000 da busca da ALERJ não respeita a partição por número. Os números de 1 a 8 estouraram o teto, todos. Fica para depois da varredura uma conferência de série: número que devia existir e não apareceu volta para a busca combinado com o ano.

O servidor

.venv\Scripts\python.exe testar_servidor.py

Registrado no Claude Desktop como legis-rj. Seis ferramentas, e a central é verificar_vigencia, que responde nos dois níveis: a situação do ato e as anotações por dispositivo, separadas.

Três decisões que valem mais que o código:

• A situação carrega a origem. "Em Vigor declarado no documento" e "lido da listagem" não são a mesma prova, e para decreto legislativo e resolução a ALERJ não declara nada — o servidor diz isso, em vez de devolver campo vazio, que se lê como norma viva.

• Divergência da fonte não vira escolha. Quando a ALERJ registra dois números para o mesmo ato, a ressalva vai colada ao número na citação — aviso em campo separado não sobrevive ao copiar e colar. E o ato é encontrável pelos dois números.

• A ferramenta prova o que encontrou. Nenhuma resposta afirma que uma norma está em vigor; afirma o que a fonte declarou.

Próximo passo

Terminadas as varreduras: conferir a série da ALERJ, extrair os atos do texto do Diário e montar o banco. As perguntas ainda em aberto estão na seção 8 de FONTES.md.