A instituição responsável pela preservação da produção audiovisual do Brasil é a Cinemateca Brasileira. Entre outros catálogos, seu website hospeda dados sobre filmografia brasileira. Infelizmente, não há, de maneira direta, como baixar este dados integralmente, sendo necessário recorrer à raspagem de dados.

Este projeto tem como objetivo gerar dados estruturados e em formato aberto a partir do site da cinemateca.

Pré-requisitos:

• Node.js
• Yarn

Instale as depedência com o comando yarn.

Baixe o espelho das páginas da cinemateca e descompacte no diretório ./html.:

• cinemateca-html-2018-10-03.zip

Rode o script com yarn start, que irá interpretar os arquivos html e salvar o resultado em formato yaml no diretório ./obras.

MIT