legi.py est un module python qui peut :
- créer une base de données SQLite à partir des archives de la base LEGI
- mettre à jour automatiquement et incrémentalement cette BDD
- normaliser les titres des textes
- connecter les différentes versions d'un texte entre elles
- analyser les données pour détecter les anomalies
Avoir les lois françaises dans une base SQL permet aussi d'autres choses qui ne sont pas encore implémentées directement dans legi.py, par exemple générer des statistiques sur l'activité législative, trouver le texte le plus ancien encore en vigueur, etc.
Vous pouvez cloner le dépôt et utiliser pip pour installer les modules python
nécessaires :
git clone https://github.com/Legilibre/legi.py.git
cd legi.py
python -m ensurepip
pip install -r requirements.txt
legi.py a aussi besoin de libarchive. Pour l'installer sur Ubuntu :
sudo apt-get install libarchive13
legi.py et les modules dont il dépend sont compatibles avec python 2 et 3.
legi.py peut être utilisé comme dépendance d'un autre projet, il est disponible sous forme de paquet sur PyPI.
La première étape est de télécharger les archives LEGI depuis
ftp://echanges.dila.gouv.fr/LEGI/ :
python -m legi.download ./tarballs
La deuxième étape est la conversion des archives en base SQLite :
python -m legi.tar2sqlite legi.sqlite ./tarballs
Cette opération peut prendre de quelques minutes à plusieurs heures selon votre machine et le nombre d'archives. Les deux caractéristiques importantes de votre machine sont: le disque dur (un SSD est beaucoup plus rapide), et le processeur (notamment sa fréquence, le nombre de cœurs importe peu car le travail n'est pas parallèle).
La taille du fichier SQLite créé est environ 3,3Go (en février 2017).
tar2sqlite permet aussi de maintenir votre base de données à jour, il saute
automatiquement les archives qu'il a déjà traité. En général la DILA publie une
nouvelle archive à la fin de chaque jour ouvré, vous pouvez donc programmer
votre machine pour mettre à jour la BDD du mardi au samedi pendant la nuit, par
exemple avec cron :
0 1 * * 2-6 ID=legi chronic ~/chemin/vers/legi.py/cron/cron.sh
(chronic fait partie des moreutils.)
Le module normalize corrige les titres de textes qui ne sont pas parfaitement
"standards". Les données originales sont sauvegardées dans une table dédiée.
La "factorisation" connecte entre elles les différentes version d'un même texte. La base LEGI n'a pas d'identifiant qui remplisse réellement ce rôle.
Le module html permet de nettoyer les contenus des textes. Il supprime :
- les espaces redondantes (whitespace collapse), sauf à l'intérieur des
<pre> - les attributs inutiles, par exemple
idetdir="ltr" - les éléments inutiles, par exemple un
<span>sans attributs - les éléments vides, sauf
<td>et<th>
En février 2018 il détecte 78 millions de caractères inutiles dans LEGI.
Cette fonctionnalité n'est pas activée par défaut car elle est « destructrice »
et récente. Vous pouvez nettoyer tout l'HTML d'une base en exécutant la commande
python -m legi.html clean legi.sqlite (les modifications ne sont enregistrées
que si vous entrez y à la fin).
Le module anomalies est conçu pour détecter les incohérences dans les données afin de les signaler à la DILA. Le résultat est visible sur anomalies.legilibre.fr. (cron/anomalies-cron.sh est le script qui génère ce mini-site.)
Pour détecter les anomalies actuellement présentes dans la base :
python -m legi.anomalies legi.sqlite
Les Pull Requests sont bienvenues, n'hésitez pas à ouvrir une discussion avant de commencer le travail, ça permet une meilleure coopération et coordination. Vous pouvez aussi vous présenter dans le salon.
legi.py utilise Tox pour tester le code sur plusieurs versions de Python. Installez-le si nécessaire puis lancez la commande tox dans le dossier qui contient votre copie du dépôt legi.py.
Fin juin 2014 la base de données LEGI contenant les lois françaises a été libérée en Open Data. J'ai immédiatement commencé le travail pour la convertir dans d'autres formats. Malheureusement, distrait par d'autres choses à faire et un peu découragé par la structure médiocre des données j'ai fini par laisser le projet de côté.
En 2015 j'ai réouvert, nettoyé et publié mon code. J'ai ensuite été très occupé à créer Liberapay.
Fin 2016 j'ai à nouveau travaillé sur legi.py. Le projet progressa fortement, anomalies.legilibre.fr fut créé.
En février 2017 la version 0.1 est publiée.