Bollettini

[nelsonmau]

in questo esperimento estraggo e renderizzo le audizioni
https://datapitch-it.github.io/exp-audizioni/

quando sono qui https://datapitch-it.github.io/exp-audizioni/#soggetto=person:sigfrido-ranucci il tool individua correttamente i bollettini, che costituiscono (presumo) il resoconto dell'audizione.

Il data raw (testo) del bollettino mi pare che però non sia estraibile tramite sparql ma vada estratto con scraping.
Ho capito bene?

[aborruso]

Sì, hai capito bene. Il testo grezzo del bollettino non è nel LOD: via SPARQL ottieni solo il link al bollettino, il resoconto va preso dalla pagina HTML.

Cosa espone SPARQL

Verificato sull'audizione Ranucci del 2023-11-07 (ocd:discussione disIdDib167145_19, Commissione Vigilanza RAI). Il LOD modella bene la struttura dell'audizione:

• la ocd:discussione (titolo "Audizione del Direttore e del Vice Direttore… dottor Sigfrido Ranucci"), con dc:date, ocd:rif_seduta, e la commissione padre;
• gli interventi ocd:rif_intervento → ocd:intervento, ognuno con rdfs:label/dc:title = nome dell'oratore ("intervento di Francesco FILINI") e ocd:rif_deputato → URI del deputato;
• su discussione e su ogni intervento, un dc:relation = URL del bollettino (con àncora fine: …tit00010 per l'intera audizione, …int00020 per il singolo intervento).

Quindi da SPARQL sai chi ha parlato, in che ordine, collegato al suo URI deputato, e hai un deep-link al punto esatto del resoconto — ma non il testo.

Il testo

L'oratore-per-oratore dc:relation punta a:

http://documenti.camera.it/apps/commonServices/getDocumento.ashx?sezione=bollettini&tipoDoc=comunicato&idlegislatura=19&anno=2023&mese=11&giorno=07&idcommissione=21&pagina=…

che fa 302 → https://www.camera.it/leg19/824?..., pagina HTML del Bollettino delle Giunte e Commissioni (200, ~53 KB). Lì c'è il resoconto:

COMUNICATO Pag. 31 Martedì 7 novembre 2023. – Presidenza della presidente Barbara FLORIDIA. – Intervengono il direttore e il vice direttore Approfondimento, dottor Paolo Corsini e dottor Sigfrido Ranucci… La seduta comincia alle 20.15…

In pratica

Per avere il testo serve un fetch HTTP + HTML→testo su quell'URL — è "scraping", ma leggero: documenti.camera.it non ha WAF/anti-bot, basta una GET (con User-Agent) e un estrattore. L'àncora per-intervento (int00020) consente anche di isolare il singolo intervento invece dell'intero bollettino.

Nota Senato: le audizioni del Senato non sono nemmeno coperte a livello di struttura (osr:Procedura tipo="Audizioni" esiste ma è orfano di data/commissione), quindi lì non c'è né link né testo.