Pular para conteúdo

05 — Corpus dos PDFs (Estudos Cariocas et al.)

Os 35 PDFs do Grupo Educação são publicações do IPP (Instituto Pereira Passos) em quatro coleções editoriais distintas. Este relatório lê o conteúdo real de cada arquivo (texto da 1ª página + total de páginas) e classifica por coleção.

Visão geral

Métrica Valor
Arquivos 35
Tamanho total em disco 63.0 MiB
Páginas totais 717
Páginas por arquivo (p50 / p90) 14 / 33
Com camada de texto extraível 25/35 (71%)
Criptografados 0
Erros de parse 0

Distribuição por coleção

Coleção Arquivos Views totais Páginas totais
Rio Estudos 14 7,246 175
Estudos Cariocas 8 4,999 186
Notas Técnicas IPP 6 3,626 120
Cadernos do Rio 4 2,777 69
(outros) 3 947 167

Janela temporal das publicações

Anos detectados (no título ou na 1ª página): 2001–2026 (35 de 35 PDFs com ano detectável)

Top 10 por visualizações

Views Páginas Coleção Ano Título
885 105 Estudos Cariocas 2008 COLEÇÃO ESTUDOS CARIOCAS - A Cidade do Rio de Janeiro n
872 15 Cadernos do Rio 2024 Cadernos do Rio - Prévias do Censo: Dinâmica Demográfic
855 15 Cadernos do Rio 2013 CADERNOS DO RIO - Educação (Junho/2013)
755 16 Rio Estudos 2001 RIO ESTUDOS Nº 26 - A cultura da paz em resposta à viol
727 8 Estudos Cariocas 2002 COLEÇÃO ESTUDOS CARIOCAS - O analfabetismo na Cidade do
724 32 Notas Técnicas IPP 2014 NOTA TÉCNICA 31 - Pesquisa Nacional de Saúde Escolar (P
682 15 Notas Técnicas IPP 2013 NOTA TÉCNICA 25 - Avaliação das crianças de creches mun
668 33 Rio Estudos 2001 RIO ESTUDOS Nº 03 - Rio: educação, causas e efeitos (Ma
653 14 Estudos Cariocas 2005 COLEÇÃO ESTUDOS CARIOCAS - Os dirigentes das escolas mu
653 8 Rio Estudos 2002 RIO ESTUDOS Nº 72 - O futuro da sociedade e o presente

Arquivos com problema (sem texto extraível ou erro)

Páginas Erro / motivo Título
13 (sem camada de texto — provável scanned image) RIO ESTUDOS Nº 170 - Ações Culturais para crianças e adolesc
19 (sem camada de texto — provável scanned image) Cadernos do Rio - Prévias do Censo: Cor ou Raça (Dezembro/20
5 (sem camada de texto — provável scanned image) RIO ESTUDOS Nº 56 - Como se tornar um Diretor-líder (Junho/
4 (sem camada de texto — provável scanned image) RIO ESTUDOS Nº 227 - Os precursores da educação nova (Novemb
20 (sem camada de texto — provável scanned image) Cadernos do Rio - Prévias do Censo: Sexo e Idade (Dezembro/2
15 (sem camada de texto — provável scanned image) Cadernos do Rio - Prévias do Censo: Dinâmica Demográfica dos
13 (sem camada de texto — provável scanned image) RIO ESTUDOS Nº 88 - Município prioriza ações para jovens (Ja
8 (sem camada de texto — provável scanned image) RIO ESTUDOS Nº 72 - O futuro da sociedade e o presente da ed
5 (sem camada de texto — provável scanned image) RIO ESTUDOS Nº 38 - Pesquisa da CNTE: violência dentro da es
14 (sem camada de texto — provável scanned image) RIO ESTUDOS Nº 36 - A Educação Infantil no Brasil entre 1994

Reprodutibilidade

pip install pypdf
python3 analysis/07_download_pdfs.py    # baixa data/raw/pdf/*.pdf (~100 MiB)
python3 analysis/08_pdf_corpus.py       # gera CSV + textos da 1ª página
python3 analysis/09_report_pdf_corpus.py

Textos completos da 1ª página de cada PDF ficam em data/raw/pdf/_first_pages/{id}.txt (gitignored, mas reproduzíveis), úteis para grep manual quando precisar achar uma metodologia citada.

Continue lendo