Legislação brasileira em Markdown

323.849 normas — a Constituição Federal, a legislação federal e a de 25 estados e do Distrito Federal — convertidas de fontes oficiais para Markdown, com cabeçalho estruturado e link para a origem de cada texto.

O histórico do git é a própria linha do tempo: as 323.849 normas da base entraram uma por commit, assinadas por quem as promulgou e datadas do dia em que foram aprovadas.

O objetivo é maior do que o que já está aqui: todo o ordenamento jurídico brasileiro — leis, decretos, atos infralegais das agências e órgãos reguladores, tratados internalizados, jurisprudência vinculante e o direito estadual e municipal — num lugar só, em texto simples, de graça, para qualquer pessoa.

O escopo completo está em scripts/plano.py e a medição item a item — o que já tem, o que falta, de que fonte vem e em qual pasta fica — em PROGRESSO.md, gerados por scripts/progresso.py.

[!IMPORTANT] Os textos têm caráter informativo e não substituem a publicação no Diário Oficial. São conversões automáticas e, em 17.016 arquivos, OCR de PDF escaneado. Confira sempre a fonte indicada no cabeçalho antes de citar.

O que tem aqui

Por tipo de instrumento:

As contagens por estado, com o que ficou de fora e por quê, estão em COBERTURA.md. Para ver em gráficos — normas por estado, por década, por tema, as palavras mais frequentes nas ementas e quem mais assinou — abra estatisticas.html no navegador. É um arquivo único, sem servidor nem dependência externa, gerado por scripts/estatisticas.py.

Estrutura

constituicao.md                      Constituição Federal de 1988 (texto vigente, Planalto)
federal/
  leis-ordinarias/AAAA/*.md          Leis federais, de 1822 a hoje
  leis-complementares/AAAA/*.md
  leis-delegadas/  decretos-lei/
estaduais/UF/
  constituicao/                      Constituição estadual
  emendas-constitucionais/
  leis-ordinarias/  leis-complementares/  leis-delegadas/  decretos-lei/
reguladores/<orgao>/<tipo>/          atos infralegais federais (CONTRAN, ANVISA, RFB, CMN…)
jurisprudencia/<tribunal>/           súmulas, temas vinculantes e controle concentrado
tratados/                            tratados internacionais internalizados
municipais/UF/<municipio>/           legislação municipal
scripts/                             o código que baixa, converte e audita
scripts/plano.py                     o escopo: todo tipo de norma que deve estar aqui
COBERTURA.md                         números por esfera e tipo, e as lacunas
PROGRESSO.md                         o plano medido contra o acervo, item a item
progresso.svg                        a imagem de progresso do topo deste README
estatisticas.html                    página com gráficos sobre o acervo

Os nomes de pasta são os mesmos em todas as esferas. Algumas unidades têm pastas a mais, porque a fonte distingue instrumentos que as outras não têm: leis-promulgadas (AM, PB), decretos-lei-complementares (SP), leis-constitucionais (MG), constituicoes-historicas (BA), lei-organica e emendas-lei-organica (DF).

Fora do versionamento, porque os scripts os reproduzem: _fonte/ (27 GB com o HTML e os PDFs originais, comprimidos), _indice/ (os índices de cada fonte) e os logs. Os _falhas.jsonl, que registram linha por linha o que não entrou, estão versionados.

Formato dos arquivos

Todo arquivo tem cabeçalho YAML e, no corpo, o título em # seguido do texto da norma:

---
titulo: "Lei nº 10.406 de 10/01/2002"
uf: "SP"                 # ausente nas normas federais
tipo: "Lei Ordinária"
numero: "10406"
data: 2002-01-10         # sempre presente; vazia quando a fonte não informa
ano: "2002"              # só quando a fonte dá apenas o ano (PA, PE)
ementa: "Institui o Código Civil."
situacao: "Em vigor"
revogada: false
versao_texto: "compilada (texto vigente)"
publicacao: "DOU de 11/01/2002"
data_publicacao: 2002-01-11
urn: "urn:lex:br:federal:lei:2002-01-10;10406"
fonte: "https://normas.leg.br/?urn=urn:lex:br:federal:lei:2002-01-10;10406"
arquivo: "https://…/lei10406.pdf"   # quando o texto veio de um PDF
baixado_em: 2026-10-13
---
# Lei nº 10.406 de 10/01/2002

LEI Nº 10.406, DE 10 DE JANEIRO DE 2002

Institui o Código Civil.

titulo, tipo, numero, data, versao_texto, fonte e baixado_em existem em todos os arquivos; os demais aparecem quando a fonte os fornece. Os campos saem sempre nessa ordem.

O campo tipo usa um vocabulário fechado de onze valores, definido em CANONICO, em scripts/comum.py. O mesmo mapa vale para quem baixa e para scripts/normalizar.py, que o reaplica ao acervo já gravado — por isso lei-ordinaria e leis-ordinarias, ou Lei e LEI ORDINARIA, não coexistem.

Duas exceções, ambas propositais: a constituicao.md na raiz é o único arquivo sem cabeçalho, por ser o documento único de topo; e cinco arquivos trazem, no lugar do texto, um aviso em citação — a fonte oficial serve um documento vazio para eles e só os metadados foram preservados.

O histórico do git

A base do histórico é uma linha do tempo da legislação: 323.851 commits, um por norma, em ordem cronológica de 1822 até hoje, cada um assinado por quem promulgou a norma — 5.414 autores. Foi montada de uma vez só por scripts/montar_repositorio.py, com git fast-import.

[!NOTE] As normas que chegam depois entram em commits de lote, um por coleta — "153.637 decretos federais (1889–2026)" —, não mais um commit por norma. Reconstruir a linha do tempo a cada lote significaria reescrever e reenviar meio milhão de commits para acrescentar texto novo; o custo não se paga. A linha do tempo norma a norma continua no histórico e continua verdadeira para o que ela cobre, e montar_repositorio.py continua funcionando para quem quiser gerá-la de novo, do acervo inteiro, num repositório à parte.

Os autores que mais assinaram, na base:

O autor sai do bloco de assinatura do próprio texto (scripts/signatarios.py). Em cerca de 48% dos casos a assinatura não está na camada de texto do PDF, ou o OCR a perdeu; nesses, o autor é a instituição — "Estado do Pará", "República Federativa do Brasil". A mensagem do commit sempre diz de onde a autoria saiu, na linha Autoria:. Os demais signatários entram como Co-Authored-By.

Os e-mails são sintéticos, no formato nome-sobrenome-NNNNN@exemplo.com, com os cinco dígitos derivados do próprio nome — cada pessoa tem uma identidade só no histórico inteiro.

[!NOTE] Datas anteriores a 1970. O git conta a data em segundos desde 1970; qualquer data anterior vira timestamp negativo, que o git fsck reprova como badDate e o GitHub rejeita ao receber. Como a maior parte do acervo é anterior a 1970, essas normas têm a data do commit fixada em 01-01-1970 e a data real no fim do título, depois de |, e repetida no corpo. Nos commits com data representável o título fica limpo. A ordem cronológica se mantém pela sequência de commits, que é linear.

Lei nº 86, de 21/04/1880 | 21-04-1880

AUTORIZA O GOVERNO A DISPENSAR DE PROVAS DE CAPACIDADE PARA EXERCER O MAGISTÉRIO…

Data da norma: 1880-04-21
A data do commit está fixada em 01-01-1970: o git não representa data anterior a essa
(vira timestamp negativo, que o GitHub rejeita). A data real da norma é a do título e
a da linha acima.
Autoria: signatário não identificado no texto; autoria institucional.
Fonte: https://www.al.sp.gov.br/norma/139216

As 1.595 normas cuja data não existe em nenhuma fonte ficam no fim do histórico, com | sem data na fonte no título.

Fontes

Cada script em scripts/estados/ documenta no cabeçalho a API ou o caminho que usa.

Todos limitam a taxa a 1–4 requisições por segundo, são retomáveis (pulam o que já existe) e guardam o original em _fonte/. Bloqueios de acesso automatizado não são contornados.

O que ainda não está aqui

O plano inteiro, com meta e fonte por tipo de norma, está em PROGRESSO.md. Em resumo, o que falta se organiza em três fases:

Além disso, ficam de fora as normas cujo texto não existe na fonte ou não pôde ser obtido — cada caso tem uma linha, com o motivo, no _falhas.jsonl da respectiva pasta.

Pendências

Qualidade do OCR

17.016 arquivos vêm de PDF escaneado, com OCR pelo framework Vision do macOS. O texto é legível, mas tem dois defeitos conhecidos:

• ordem de leitura trocada em digitalizações de duas colunas — corrigido, e sem precisar de modelo nenhum: o Vision devolve a caixa de cada linha, então scripts/ocr.swift procura a calha vertical entre as colunas e emite a da esquerda inteira antes da direita. A correção é conservadora por desenho — só age quando há uma calha limpa, com os dois lados cheios e linhas largas o bastante para serem prosa, o que afasta tabela de duas colunas, que se lê por linha e não por coluna. Numa amostra de 120 PDFs escaneados (431 páginas) de sete estados, uma página tinha calha de prosa: o defeito é real, e é raro. scripts/bin/ocr --diagnostico arquivo.pdf relata, por página, se uma calha foi encontrada;
• ordinais confundidos (Art. 19 por Art. 1º) — corrigido em 1.509 arquivos por scripts/corrigir_ocr.py, que só reescreve a corrida 19, 29, 39… quando ela começa em 19, tem ao menos dois termos e a numeração resultante fica coerente. Assim um Art. 19 legítimo, ou um Art. 99 que cita outra lei, não é tocado.

Nenhum dos dois exigia um modelo de visão, afinal: o do ordinal saiu por regra de texto e o das colunas, por geometria. O que resta de OCR imperfeito é erro de reconhecimento de caractere em digitalização antiga, que é o limite do material, não do método.

baidu/Unlimited-OCR foi testado em Apple Silicon e não serve localmente: na resolução de treino o encoder de visão pede ~21 GB, e numa resolução que caiba o prefill leva 221 s por página com saída vazia. Reprocessar o lote exige GPU NVIDIA.

Reproduzir e atualizar

Requisitos: macOS, Python 3 (só biblioteca padrão), pdftotext (poppler) e, para o OCR, o framework Vision via swiftc -O scripts/ocr.swift -o scripts/bin/ocr.

# baixar — todos os scripts são retomáveis: pulam o que já existe
python3 -I scripts/baixar_federal.py
python3 -I scripts/estados/sp.py                # um estado por script
python3 -I scripts/estados/sapl.py baixar PB    # estados com SAPL
python3 -I scripts/estados/spl_agape.py ES      # ES e SE

# manter em ordem
python3 -I scripts/reconverter.py [UF ...]      # regenera os .md a partir de _fonte
python3 -I scripts/normalizar.py                # pastas, tipos e cabeçalhos canônicos
python3 -I scripts/corrigir_ocr.py              # ordinais do OCR
python3 -I scripts/corrigir_datas_invalidas.py  # datas que não existem no calendário
python3 -I scripts/relatorio.py                 # atualiza COBERTURA.md
python3 -I scripts/progresso.py                 # atualiza PROGRESSO.md e progresso.svg
python3 -I scripts/estatisticas.py              # atualiza estatisticas.html

# remontar o histórico do git
python3 -I scripts/montar_repositorio.py --saida /caminho/do/repo

Os quatro scripts de manutenção são idempotentes e rodam em simulação por padrão: só gravam com --aplicar. Rodar de novo, depois de aplicado, relata zero mudanças.

Auditorias que o acervo passa

Licença

Os textos das normas são atos oficiais do poder público e, pelo art. 8º, I, da Lei nº 9.610/98, não são objeto de proteção autoral. Os scripts deste repositório estão sob a licença MIT — veja LICENSE.