Dados

Esquema

Cada tipo de arquivo abaixo é descrito com os campos reais do dataset publicado — o mesmo contrato que este site lê, campo a campo, pra montar cada página.

casos/<pe>.json — um arquivo por processo

• pe — número do processo administrativo sancionador (PE), o identificador usado em /caso/<pe>/.
• materia — assunto classificado do processo (ex.: pld-ft, cbe-censo, operacional; sem-capitulacao quando não classificado).
• materia_origem — de onde veio o rótulo de materia: capitulacao (a capitulação foi extraída e a matéria vem dela), ementa (sem capitulação; matéria do resumo do processo), norma (sem capitulação; matéria de uma norma mencionada no texto), residual (sem capitulação; havia texto ou ementa disponível, mas nenhum termo do vocabulário de matérias foi reconhecido) ou null (sem matéria classificada) — ver metodologia.
• capitulacao — lista de slugs de normas do grafo (grafo.json) usadas para fundamentar a penalidade.
• sujeito — objeto ou null: camada (núcleo do câmbio, intermediário, outra supervisionada, ou null), tipo, cnpj, database (base cadastral de origem) e nome; null quando a fonte não identifica pessoa jurídica no processo.
• partes — lista das partes apenadas, cada uma com nome (como na fonte), cpf_cnpj (mascarado quando pessoa física), pena, valor, situacao, recurso (booleano) e, quando houve 2ª instância, pena_2_instancia/valor_2_instancia.
• atos — linha do tempo de atos do processo indexados no Diário Eletrônico do BCB, cada um com data e categoria (ex.: Intimação, Decisão); lista vazia quando nenhum ato foi indexado para o PE (fora da janela de cobertura da fonte, ou não publicado sob esse número).
• decisao — o enredo do caso, em três camadas de fonte com procedência distinta; OMITIDO quando nenhuma camada contribui (a maioria dos processos). Campos, todos opcionais entre si (um caso pode ter só um, alguns ou nenhum): capitulacao_texto (texto da capitulação por extenso, já desambiguado — quando a mesma capitulação aparece em variante suja e limpa na fonte, a suja nunca é publicada), fundamento (prosa do Resumo de Decisão do Diário Eletrônico, que funde narrativa e capitulação), ocorrencias (lista de irregularidades da íntegra do processo — a fonte de maior fidelidade, cada uma com descricao, capitulacao e, quando a própria fonte rotula, irregularidade, a letra do rótulo), origem (de qual camada veio cada campo acima — dispositivos/resumo-decisao/integra) e trecho_fonte (ponteiro adicional pro documento/data concretos, quando a camada permite apontar um mais específico que a captura do caso).
• tc_id (Task 2-ter b) — id do termo de compromisso (tcs/<id>.json, abaixo) CASADO a este PE. OMITIDO na imensa maioria dos processos — só os processos com termo de compromisso vinculado nesta captura têm a chave (fail-closed: um termo pendente ou orfao nunca gera este vínculo, mesmo tendo candidatos de PE na leitura).
• crsfn (Task 2-quater) — lista de acórdãos do Conselho de Recursos do Sistema Financeiro Nacional (CRSFN) que citam este PE como "processo na primeira instância". OMITIDA na imensa maioria dos processos — só os 700 processos casados nesta captura têm a chave (um PE pode ter mais de um acórdão: recurso e embargos de declaração, por exemplo — ordenados por data). Cada item: id_documento (identificador do documento no SEI), data (AAAA-MM-DD — data de PUBLICAÇÃO do inteiro teor no SEI; a fonte não expõe data de julgamento em separado), sessao, processo_sei, tipos (ex.: "Recurso voluntário", "Embargos de declaração"), relator e ementa — os últimos cinco OMITIDOS (nunca null) quando o texto do próprio acórdão não os traz de forma extraível —, url_inteiro_teor (link ao documento oficial no SEI) e fonte. Casamento por número de PE citado no texto do acórdão (formatos "BCB"/ "BACEN" — a mesma instituição sob o nome histórico — ou a anotação explícita "(PE …)"); um PE reconhecido que não existe no corpus desta captura nunca gera a chave, e nunca é fabricado.
• fonte / captura — proveniência institucional e data de captura deste registro.

perfis/<raiz>.json — um arquivo por instituição, agregado por RAIZ de CNPJ (8 dígitos)

Um grupo econômico pode responder a um processo pelo estabelecimento que o cadastro casou no cruzamento (matriz ou uma filial) e ser penalizado, na mesma fonte sancionadora, sob o CNPJ de OUTRO estabelecimento do mesmo grupo — agregar por raiz junta as duas pontas numa só ficha.

• raiz — raiz de CNPJ (8 primeiros dígitos), identificador do grupo econômico.
• casos — PEs em que essa instituição aparece (por qualquer estabelecimento da raiz, não só o que foi sujeito resolvido).
• tipos — classificações de tipo de instituição atribuídas na fonte.
• estabelecimentos — CNPJs completos (14 dígitos) já vistos sob essa raiz, cada um com database: a 1ª data em que o cadastro registrou aquele CNPJ exato, ou null quando o estabelecimento nunca teve entrada própria lá (só apareceu como parte na fonte sancionadora).
• rastro_de_nomes — histórico de razões sociais somando TODOS os estabelecimentos da raiz, cada entrada com database (época) e nome (como usado naquela época).
• fonte / captura.

Todo CNPJ completo que já foi a chave de um perfil ANTES da agregação por raiz continua com arquivo próprio em perfis/<cnpj>.json — um apontamento simples ({cnpj, alias_de_raiz, captura}) que preserva a URL antiga (/instituicao/<cnpj>/) sem quebrar link nenhum já publicado. Por isso o manifesto (abaixo) distingue duas contagens: perfis é o nº de raízes (instituições distintas, 274 nesta captura); perfis_arquivos é o total de arquivos em perfis/ — os canônicos mais os apontamentos.

tcs/<id>.json — um arquivo por termo de compromisso (Task 2-ter b)

• id — identificador do termo, o mesmo usado em /tc/<id>/.
• titulo — nome do termo tal como publicado pelo Banco Central (pode nomear uma pessoa jurídica ou, em alguns casos, pessoa física — ver pf abaixo).
• data — data do documento (AAAA-MM-DD).
• url_pdf — URL oficial do PDF no site do Banco Central; este dataset nunca republica o PDF em si.
• valor / situacao_ocr — o valor do termo, quando extraído por OCR, SEMPRE ao lado da situação da extração: extraido (valor confiável), sem-valor (nada localizado no documento) ou suspeito (uma leitura foi feita, mas descartada por inconsistência — valor fica null mesmo assim).
• valor_bruto_suspeito — presente só quando situacao_ocr é suspeito: a leitura bruta descartada, visível pra transparência, nunca tratada como valor de confiança em nenhuma soma ou mediana deste site.
• pf — booleano da política de pessoa física (ver política de dados): true faz a página própria do termo noindex e nunca vira agregação/link de PF. Fail-safe por desenho: título sem nenhum sinal reconhecido de pessoa jurídica cai do lado seguro (true), mesmo quando é, de fato, uma pessoa jurídica.
• casamento — a situação do cruzamento processo↔termo, por número de PE lido no OCR do próprio documento: {situacao: "casado", pe, metodo} (o ÚNICO caso que gera o vínculo tc_id em casos/<pe>.json), {situacao: "pendente", motivo, candidatos[]} ou {situacao: "orfao", motivo} (nenhum PE legível no documento). Nem motivo nem candidatos[] (que traz só papel — "alvo", "proposta") publicam o número de um PE candidato sem confirmação: essa informação é da fila de conferência interna do pipeline, nunca do dataset público — publicá-la associaria, sem confirmação, um processo específico a um termo.
• enredo (Task V7, OPCIONAL — fix round 1 acrescenta efeitos_descumprimento e eh_aditamento) — compromitentes/objeto/obrigações/prazo/efeitos do descumprimento, extraídos por âncora estrutural do OCR local deste termo (tcs-ocr/<id>.txt, nunca publicado — só estes campos saem pro dataset). Contrato soft POR CAMPO, mesmo padrão de casos/<pe>.json::decisao: cada um só existe quando o extrator reconhece a âncora correspondente NESTE documento específico — nenhum formato único preenchido com vazio. A chave enredo inteira é OMITIDA (nunca {}) quando nenhum campo de conteúdo bate. compromitentes: {quantidade?, trecho_fonte} — quantidade é DERIVADA do maior rótulo ordinal reconhecido ("PRIMEIRA COMPROMITENTE", "VIGÉSIMO SÉTIMO COMPROMITENTE" etc.), publicada só quando o conjunto de valores encontrados reconcilia sem lacuna com a sequência 1..maior — ausente quando não reconcilia (nunca um número já sabido errado). Nunca uma lista de nomes individuais — ver a nota de rejeição no pipeline: campos de endereço/RG/CPF tarjados no PDF original viram sopa de letras maiúsculas no OCR, sem fronteira segura pro nome seguinte. objeto: {trecho_fonte}. obrigacoes / prazo / efeitos_descumprimento: {itens[], trecho_fonte} — um item por Cláusula distinta sob o cabeçalho correspondente, mais o trecho do span inteiro. eh_aditamento: booleano — true quando o documento é um ADITAMENTO (emenda a um termo anterior, âncora "ADITAMENTO DE TERMO DE COMPROMISSO"), usado pra explicar corretamente por que campos de obrigação/prazo estão ausentes (o documento não os traz, não é falha do OCR). Nenhum PE candidato não confirmado (fila interna de casamento, tcs-casamento.json) sobrevive no texto publicado de um TC não casado — redigido por NÚMERO (derivado da fonte bruta), não por forma de citação. Nesta captura, 142 termos publicados: 127 com os cinco campos completos, 14 parciais, 1 sem nenhum campo extraível (ver metodologia).
• fonte / captura.

matriz.json — arquivo único

• celulas — objeto camada → matéria → {total, pes[]}: quantos processos caem nessa combinação e a lista dos PEs correspondentes.
• fonte / captura.

grafo.json — arquivo único, o rol normativo e suas relações

• nos[] — um item por norma: slug, tipo, numero, ementa, status (VIGENTE/REVOGADA/null), versoes, expandido, texto_integral, texto_arquivo (nome do arquivo em textos/, quando houver), texto_versao (proveniência do texto), fonte, url_fonte (endpoint técnico da API, fonte de captura verificável), url_pagina (página oficial humana de leitura — a que este site usa em todo link visível), captura, data_norma (data da norma — assinatura/edição, AAAA-MM-DD; distinta de captura — quando a fonte não traz o campo, ou o nó nunca foi expandido, null), confirmado_ausente_na_fonte (a fonte automatizada FOI consultada e respondeu "não encontrada" para este tipo/número nesta captura — distinto de um nó simplesmente ainda não tentado; true/false).
• arestas[] — uma relação por item: tipo (revoga/altera/mencao/fundamento), origem, destino (slugs), trecho (evidência textual), fonte, captura, ocorrencias (quantas vezes esta MESMA relação se repete dentro do texto de fonte — nunca soma entre fontes distintas), corroboracoes (presente só quando mais de uma fonte independente afirma a mesma relação — quantas fontes ADICIONAIS corroboram, além da de fonte; não incluída em ocorrencias) e destino_nao_canonico (presente só quando o destino não pôde ser resolvido a um slug canônico do rol — ex.: citação sem data reconhecível — e ficou como referência "nua").

textos/<slug>.txt — um arquivo por norma com texto capturado

Texto puro (não JSON): o texto integral extraído da fonte oficial — da API consolidada do Banco Central ou do acervo em PDF quando a API não tinha a versão consolidada disponível. Só existe para os nós com texto_arquivo preenchido em grafo.json.

diffs/<slug>.json — um arquivo por norma com comparativo de versões (Task 4, revisão final da branch)

Só existe para as normas com as duas pontas do comparativo disponíveis nesta captura — a versão 1 (original, PDF do acervo) e o texto consolidado atual (API); nunca uma cadeia de versões intermediárias (ver metodologia). Um diff novo nasce em quarentena até aprovação do dono antes de entrar aqui — mesma disciplina fail-closed do resto do dataset.

• slug — o mesmo identificador de grafo.json::nos[], a norma comparada.
• de / para — rótulo humano de cada lado da comparação: sempre "texto original (v1, PDF oficial)" e "consolidado atual (API)".
• blocos — o redline em si: array de blocos {tipo, linhas[]} (tipo igual/removido/adicionado; um bloco igual longo ganha omitidas, a contagem de linhas de contexto colapsadas). AUSENTE quando assimetria_cobertura é true — não há redline pra mostrar nesse caso.
• assimetria_cobertura / nota — presentes só quando as duas fontes cobrem quantidades de texto tão diferentes para este documento que a comparação linha a linha não é aplicável (achado real: circular-3280, ~517.000 caracteres sem correspondência quase nenhuma do outro lado); nota é o texto exibido no lugar do redline.
• fonte / captura.

radar.json — arquivo único, pode não existir nesta captura

• captura / janela_dias — tamanho da janela de novidade (30 dias, na captura atual).
• itens[] — normas publicadas dentro da janela: tipo, numero, data (data da norma, ISO), ementa, slug, url_fonte (endpoint técnico), url_pagina (link determinístico pra página oficial de leitura).

radar-arquivo.json — arquivo único, o histórico acumulado do radar (Task 1-bis)

Mesmos campos de radar.json::itens[], mas SEM janela: acumula toda norma já capturada pelo radar, desde a 1ª captura — nunca perde um item quando ele sai dos 30 dias de radar.json. Alimenta a página /radar/arquivo/ e, do lado do pipeline, é derivado do histórico committado pipeline/grafo/sementes-radar.json — a mesma lista que vira semente incremental do grafo.

• itens[] — mesmos campos de um item de radar.json, mais capturado_em (data em que o radar viu esta norma pela 1ª vez).

crsfn-cobertura.json — arquivo único, pode não existir nesta captura (Task 2-quater, revisão sênior)

Só contagens agregadas do que NÃO foi casado ao corpus — nunca uma lista de PEs ou de acórdãos (a política deste site: cobertura declarada, sem publicar candidatos não confirmados).

• total — total de acórdãos do CRSFN nesta captura da fonte.
• com_pe_reconhecido — desses, quantos citam um número de PE reconhecível na origem (formato BCB/BACEN/"(PE …)").
• casados_decisoes / casados_pes — decisões distintas publicadas (republicações já fundidas) e nº de PEs distintos que as recebem — os mesmos números de crsfn em casos/<pe>.json.
• republicacoes_fundidas — quantas publicações mais recentes do MESMO julgamento foram fundidas na decisão canônica (erro material ou falha técnica de divulgação do boletim, nunca uma segunda decisão).
• nao_localizados_acordaos / nao_localizados_pes — acórdãos (e PEs distintos) com número de PE reconhecível mas AUSENTE do corpus desta captura — não fabricados, só não publicados.
• fora_do_escopo — acórdãos de outro órgão que também tramita no CRSFN (CVM, COAF, SUSEP) ou sem número de PE anexado — fora do escopo deste casamento por desenho.
• captura.

vigencias.json — arquivo único, pode não existir nesta captura (Task 3.3)

Cláusulas de vigência ("entra em vigor...", "produz efeitos a partir de...") reconhecidas por padrão formal no texto integral de cada norma — extração conservadora: texto ambíguo (ex.: duas redações da mesma cláusula) não gera item. Alimenta a página /vigencias/.

• captura — data desta publicação; universo_textos — nº de normas com texto integral disponível nesta captura (maior que o nº de itens abaixo: nem todo texto tem cláusula reconhecível).
• itens[] — um item por cláusula reconhecida: slug/tipo/numero (a norma), dispositivo (os sentinelas geral — a norma inteira — e produção de efeitos — quando a norma entra em vigor numa data mas só produz efeitos a partir de outra, posterior —, ou o texto literal do dispositivo/escopo, ex. "o parágrafo único do art. 12"), data (AAAA-MM-DD ou null quando não resolvida), data_origem (texto quando a data está escrita na própria cláusula, data_norma quando resolvida pela data de assinatura/edição da norma — cláusula "na data de sua publicação" —, ou null quando nenhuma das duas resolve), trecho_fonte (o trecho literal de onde o item veio — para um item de lista escalonada, o SPAN CONTÍGUO real que sustenta aquele item: o cabeçalho da cláusula mais todos os itens da lista até e incluindo o alvo, nunca só cabeçalho+alvo pulando os intermediários), url_pagina e fonte.

manifest.json — arquivo único

• captura — data (AAAA-MM-DD) desta publicação do dataset.
• contagens — casos, perfis (raízes de CNPJ), perfis_arquivos (raízes + apontamentos de estabelecimento), nos, arestas, tcs (termos de compromisso, Task 2-ter b), crsfn (processos com decisão do CRSFN casada, Task 2-quater), vigencias (itens da agenda de vigências, Task 3.3) — as mesmas contagens já públicas nos contadores no topo desta página e na home deste site.