Código escrito em R para agrupar, ler e organizar os verbetes do Dicionário Histórico Bibliográfico Brasileiro em uma única tabela de dados relacionais. Salva e exporta os dados em um arquivo .csv.
Os verbetes do Dicionário Histórico Bibliográfico Brasileiro podem ser acesados por qualquer pessoa em seu repositório no GitHub. No entanto, a tarefa de ler esses arquvios em um software estatístico (Excel, SPSS, etc) ou usando linguagens de programção (R, Python, Julia, etc), transformar em uma base de dados analizável, não é tão simples. Isso torna o dado de difícil manipulação para iniciantes.
Os verbetes estão dividios em arquivos de texto individuais, dentro do diretório text. Cada verbete possui metadados, entre os três hífens (---), acerca do verbete e da figura verbetada: título, tipo de verbete, sexo do verbetado e cargos ocupados. Após os metadados, segue o verbete em si.
Portanto, verbetes são publicados no seguinte padrão:
---
title: COELHO, Machado
natureza: biográfico
sexo: m
cargos:
- dep. fed. DF 1927-1929
- dep. fed. DF 1930
- const. 1946
- dep. fed. SP 1946-1951
---
«José Machado Coelho de Castro» nasceu em Lorena (SP).
Estudou no Ginásio Diocesano de São Paulo e bacharelou-se em 1910 pela Faculdade de Ciências Jurídicas e Sociais. Dedicando-se à advocacia, foi promotor público em Cunha (SP) e depois delegado de polícia no Rio de Janeiro, então Distrito Federal.
[...]
Sabendo que há um padrão entre todos os verbetes, é possível reunir os mais de 7 mil arquivos, processar suas informações - usando técnicas de mineração de texto - e criar uma base de dados com todas essas informações, em um fortado de fácil exploração.
É isso que esse código faz.
O resultado final é uma base de dados, apresentando as variávies presentes nos metadados, e o corpus textual dos verbetes.
