Elosys — cruzamento de dados públicos de políticos brasileiros
Elosys monta, a partir de fontes oficiais e públicas, uma base de dados
consolidada de candidatos e eleitos brasileiros (2014–2026), cruzada por CPF/CNPJ,
para investigar relações entre políticos e levantar indícios de padrões
suspeitos (doação circular, fracionamento de doações, empresas de fachada,
enriquecimento incompatível).
Indício não é prova. Nada aqui é acusação. O sistema gera sinais de alerta
para serem checados por quem tem competência para isso (Ministério Público, TCU,
Receita, COAF). Todo dado exibido aponta para o arquivo público de onde saiu, e
qualquer pessoa pode re-baixar esse arquivo e conferir o hash.
Backend: pipeline de coleta em Python + banco SQLite (elosys.db). Frontend:
app Next.js só-leitura em /web — busca candidato e mostra a
ficha completa com a fonte de cada campo.
Já coletado: 1,63 M candidaturas (consulta_cand 2014–2026, ~1,18 M pessoas),
1,04 M CNPJs de campanha, 5,16 M doações (R$ 26,7 bilhões, quem doou pra
cada CNPJ e quanto), 9,47 M despesas contratadas (R$ 16,2 bilhões, pra quem
a campanha pagou), 10,89 M pagamentos (R$ 18,85 bilhões, regime de caixa —
quando o dinheiro de fato saiu), 841 mil redes sociais declaradas por
candidatura (Facebook/Instagram/X/site, obrigatório desde 2018), 25,5 mil
sanções federais CEIS/CNEP (474 empresas sancionadas já cruzam com doador/
fornecedor de campanha) e 3,25 M bens declarados (R$ 445,5 bilhões,
patrimônio no registro de candidatura). Banco ~11,4 GB.
O jeito mais rápido: baixar o banco já pronto (~11,4 GB) e abrir o app web, sem
rodar nenhum crawler.
1. Baixar o banco
Arquivo elosys.zip (2,84 GB; descompactado, elosys.db tem ~11,4 GB). Os dois
links trazem o mesmo arquivo:
SHA-256 do elosys.zip:
96fb819b681752250db0c6cdc62566d1773338547daf6ea524edcd4024b16693
Confira o download antes de descompactar:
sha256sum elosys.zip # Linux/macOS/Git Bash
Get-FileHash elosys.zip -Algorithm SHA256 # PowerShell
Descompacte e deixe o elosys.db na raiz do repositório (ao lado deste README).
O banco já vem com todas as tabelas e com o índice de busca por nome de doador/fornecedor.
2. Executar localmente
Requisitos: Node.js 20.9+ e git.
git clone https://github.com/YuriRDev/elosys.git
cd elosys
# coloque o elosys.db baixado aqui, na raiz
cd web
npm install
npm run dev # http://localhost:3000
O app é só leitura: abre o .db em modo readonly e nunca escreve nele. Para
apontar outro caminho:
ELOSYS_DB_PATH=/caminho/para/elosys.db npm run dev
Build de produção: npm run build && npm run start.
Criar o banco do zero e popular
Reconstrói tudo a partir das fontes oficiais. Demora: os arquivos do TSE são
grandes (a prestação de contas passa de 1 GB por ano), o download vai para
dados_tmp/ e é apagado depois de processado, e algumas etapas levam de minutos a
horas. Tenha ~15 GB livres em disco.
Requisitos: uv (instala Python 3.12 e as dependências).
uv sync
uv run elosys init-db --db elosys.db
Etapa 1 — coletar as fontes
Cada crawler é independente e rewrite-only: apaga as tabelas que possui e as
reconstrói. Sem --years, processa todos os anos suportados.
uv run elosys tse-candidates --db elosys.db # candidaturas 2014–2026 (TSE consulta_cand)
uv run elosys tse-accounts --db elosys.db # CNPJ de campanha, doações e despesas (a etapa mais longa)
uv run elosys tse-social --db elosys.db # redes sociais declaradas
uv run elosys tse-assets --db elosys.db # bens declarados
uv run elosys transparencia-sanctions --db elosys.db # CEIS/CNEP
uv run elosys transparencia-earmarks --db elosys.db # emendas parlamentares
Se um download der HTTP 403 (filtro anti-bot da fonte), baixe o .zip no
navegador, coloque em dados_tmp/ com o nome que o log mostrou e rode o crawler
de novo: ele usa o arquivo local.
Etapa 2 — enriquecer (incremental, opcional)
uv run elosys receita-cnpj --db elosys.db --limit 500 # cadastro e sócios de CNPJ (BrasilAPI, 1 request por CNPJ)
uv run elosys tse-photo-urls --db elosys.db --limit 500 # foto oficial dos candidatos
Os dois são incrementais (não apagam o que já existe): rode várias vezes para
cobrir mais CNPJs/candidatos.
Etapa 3 — índice de busca por nome
A busca por doadores/fornecedores que nunca foram candidatos usa uma tabela FTS5
que não é preenchida por nenhum crawler. Rode depois de cada tse-accounts:
uv run python - <<'PY'
import sqlite3
con = sqlite3.connect("elosys.db")
con.executescript("""
DELETE FROM pessoa_fisica_search;
INSERT INTO pessoa_fisica_search (cpf, name)
SELECT cpf, max(name) FROM (
SELECT donor_cpf_cnpj AS cpf, donor_name AS name FROM campaign_donation
WHERE donor_company_id IS NULL AND donor_cpf_cnpj IS NOT NULL
AND length(donor_cpf_cnpj) = 11 AND donor_name IS NOT NULL
UNION ALL
SELECT supplier_cpf_cnpj AS cpf, supplier_name AS name FROM campaign_expense
WHERE supplier_company_id IS NULL AND supplier_cpf_cnpj IS NOT NULL
AND length(supplier_cpf_cnpj) = 11 AND supplier_name IS NOT NULL
) GROUP BY cpf;
""")
con.commit()
PY
Etapa 4 — regras de detecção
Rodam sobre o que já foi coletado e geram os sinais de alerta.
uv run elosys rule-disproportionate-expense --db elosys.db
uv run elosys rule-circular-donations --db elosys.db # ~25 min na base real
uv run elosys candidate-supplier-partner --db elosys.db # precisa do receita-cnpj (quadro societário)
Precisam de chave em variável de ambiente (nunca commite chaves):
export DEEPSEEK_API_KEY=... # segunda opinião sobre os sinais
uv run elosys ai-review --db elosys.db --limit 100 --order tight
export APIFY_TOKEN=... # posts do X de contas declaradas ao TSE
uv run elosys social-x --db elosys.db --scope federal
uv run elosys social-review --db elosys.db --limit 5000
Etapa 6 — manifesto e testes
uv run elosys manifest --db elosys.db # grava manifest.json com URL + SHA-256 de cada fonte
uv run pytest # testes (fixtures, sem rede)
Cada crawler é rewrite-only: a tabela passa a conter exatamente os anos que você
passou em --years. Para um estado 100% limpo, apague elosys.db e recomece.
Como funciona, em uma frase
Cada fonte de dados tem um crawler independente (elosys/tse/*.py). Rodar um
crawler apaga as tabelas dele e reconstrói tudo do zero a partir dos arquivos do
governo. O banco é um artefato descartável; a prova de integridade fica no
manifest.json, versionado no git.
O que fica no banco
| Tabela |
O que é |
Crawler |
politician_history |
Uma linha por candidatura por eleição (nome, partido, cargo, UF, situação, resultado, dados de registro) |
tse-candidates |
people |
Pessoa (chave surrogate; cpf/voter_id como identificadores) — todo JOIN por pessoa passa aqui, nunca por CPF cru |
compartilhada |
companies |
Empresa por CNPJ (kind: campaign/donor/supplier/sanctioned) |
compartilhada |
campaign_org |
O CNPJ que cada candidatura abre para a campanha (Receita, natureza 409-4) |
tse-accounts |
campaign_donation |
Cada doação recebida: quem doou (CPF/CNPJ, nome), quanto, quando, por qual via |
tse-accounts |
campaign_expense |
Cada despesa contratada: pra quem a campanha pagou, quanto, por qual serviço |
tse-accounts |
campaign_expense_payment |
Quando cada despesa foi de fato paga (pode ser em parcelas) |
tse-accounts |
social_media |
Redes sociais/site declarados no registro da candidatura (URL + rede detectada) |
tse-social |
declared_assets |
Bens declarados no registro da candidatura (tipo, descrição, valor) |
tse-assets |
company_registry / company_partner |
Data de abertura, situação cadastral e sócios de um CNPJ |
receita-cnpj (incremental) |
sanction |
CEIS/CNEP: quem está impedido de contratar com o governo ou punido por corrupção |
transparencia-sanctions |
rejected_cpf |
CPFs descartados por ambiguidade (mesmo CPF em >1 título eleitoral, etc.) e o motivo |
tse-candidates |
source / collection / collection_file / parse |
Proveniência: de qual órgão, qual URL, qual arquivo, qual hash, qual parser saiu cada linha |
todos |
rule_run / signal / signal_actor / signal_evidence |
Sinais de alerta gerados por regras de detecção (não vêm de nenhuma fonte — ver ADs/dados_derivados.md) |
rule-disproportionate-expense, rule-circular-donations |
signal_ai_review |
Segunda opinião de um LLM sobre cada sinal (rotineiro vs. bizarro), com a resposta e o prompt salvos verbatim |
ai-review (opcional, precisa de DEEPSEEK_API_KEY) |
candidate_supplier_partner |
Candidato que aparece no quadro societário de empresa que recebeu pagamento de campanha (match nome + 6 dígitos do CPF — não determinístico) |
candidate-supplier-partner |
Toda linha de dado tem provenance_id → parse → collection → source.
"De onde veio isso?" é um JOIN.
Sinais de alerta (regras de detecção)
Diferente das tabelas acima, rule_run/signal/signal_actor/signal_evidence
não vêm de nenhuma fonte — são geradas pelo nosso código sobre os dados já
coletados. Mesma disciplina de proveniência: toda linha em signal_evidence
aponta pra uma linha real (que por sua vez tem seu próprio provenance_id), e
severity só existe como low/medium/high — nunca "confirmado" ou
"fraude". Ver ADs/dados_derivados.md.
Primeira regra: disproportionate_expense ("despesa desproporcional") —
item tipicamente barato (18 categorias: caneta, adesivo, crachá...) identificado
em campaign_expense.description com valor muito acima do normal para aquela
categoria: medium a partir de 15x a mediana histórica da categoria, high
a partir de 30x (piso de R$ 1.000; categorias com menos de 20 despesas usam o
piso fixo de R$ 5 mil / R$ 50 mil). Rodada contra a base real: 28.743
sinais (13.856 high, 14.887 medium). Maior caso: R$ 2.504.200,00 em
"PRAGÕES, BIG HAND, PERFURADO, PRAGUINHA, ADESIVO" (9.879x a mediana de R$ 253,50).
O TSE não publica quantidade nesse arquivo, só o valor total — a regra não
calcula preço unitário. Pode ser lote grande, item não detalhado na descrição,
ou erro de digitação — por isso é indício, não prova. A página
/sinais/despesa-desproporcional
lista quem mais gastou por categoria, como % da receita da campanha e contra a
média de candidatos do mesmo cargo e estado.
Segunda regra: circular_donations ("doação circular") — constrói um
grafo dirigido (doador → candidato, candidato → fornecedor) sobre a base
inteira e usa Tarjan (SCC) + DFS limitado em profundidade (padrão: 5 nós)
pra achar ciclos: dinheiro que sai de uma campanha e volta pra mesma cadeia.
Rodada contra a base real: grafo de 5,35M nós / 7,66M arestas, 108.400
ciclos encontrados; só viram sinal os que movimentaram mais de R$ 10.000 no
total: 38.267 sinais (10.705 high ≤ 3 nós, 27.562 medium). Interface em
/sinais/doacao-circular —
filtro por severidade, ordenável por valor movimentado ou tamanho do
caminho — com link direto pro grafo interativo. Mesma disciplina: indício,
não prova — pode ser coincidência de coligação, ressarcimento, ou merecer
checagem manual.
Cruzamento: candidate_supplier_partner — candidato que aparece no
quadro societário de uma empresa que recebeu pagamento de campanha. O CPF do
sócio vem mascarado da Receita, então o match é normalize(nome) == canonical_name E os 6 dígitos visíveis do CPF batendo — não é
identidade confirmada (fica fora de people/signal_actor, rotulado
"possível"). Ambíguos (2+ pessoas batendo) são descartados. Rodado contra a
base real: 533 vínculos possíveis (R$ 197,9 mi movimentados nessas
empresas), 66 onde a própria campanha do candidato pagou a empresa dele
(gráfica própria imprimindo material de campanha, escritório de advocacia
próprio, etc.). Interface em
/sinais/socio-fornecedor.
Camada opcional: ai-review (elosys/rules/ai_review.py) — passa os
fatos de cada sinal de doação circular / despesa desproporcional pra um LLM
barato (DeepSeek) e pergunta: rotineiro ou genuinamente estranho? A
resposta, a explicação, os fatos citados e o prompt exato ficam salvos em
signal_ai_review (um por sinal+modelo), pra um humano poder conferir o
raciocínio do modelo contra os dados. Incremental (não rewrite-only): roda de
novo pra revisar mais, --refresh re-revisa. Ordena por valor (--order amount, pega os casos de conta-de-partido que o modelo tende a achar
plausíveis) ou por ciclo mais curto (--order tight). Chave via
DEEPSEEK_API_KEY no ambiente — nunca commitada. Interface em
/sinais/analise-ia. Continua
sendo indício — agora com a opinião de uma máquina, que também erra.
Os arquivos de log e auditoria
Cada execução de crawler escreve/atualiza, ao lado do .db:
manifest.json — a lista de todos os arquivos baixados, com url,
accessed_at, sha256 do .zip e sha256 de cada CSV dentro dele. É a âncora
de não repúdio: você commita esse arquivo no git, e aí o histórico público do
repositório prova o que foi coletado e quando.tse_candidates_report.json, tse_accounts_report.json, tse_social_report.json
— o relatório daquela execução: linhas lidas por ano, CNPJs/candidaturas/URLs
gerados, CPFs derrubados por ambiguidade (com o motivo), quantas linhas ficaram
sem vínculo de identidade.
Além disso, o próprio console é um log: cada crawler imprime a URL, o tamanho e
o hash do arquivo, o progresso da leitura linha a linha, e um resumo por ano.
Conceitos de arquitetura (ADs)
As decisões estão em ADs/, uma por assunto. Resumo:
| AD |
Ideia central |
confiabilidade.md |
Não repúdio. Nenhuma linha existe sem apontar para a coleta que a originou. Não guardamos o arquivo bruto — guardamos URL + data + SHA256, e você re-baixa para conferir. |
imutabilidade.md |
Rewrite-only. O banco é reconstruído do zero a cada execução. A garantia contra "editar o passado" é o manifest.json commitado + build determinístico, não triggers nem hash chain. |
banco.md |
SQLite, arquivo único, sem servidor. Convenções de tipo (datas ISO em UTC, dinheiro em centavos, nomes de tabela/coluna em inglês). |
identidade.md |
Identidade é afirmação nossa, não dado da fonte. Match determinístico por título eleitoral e CPF. Na dúvida (CPF ambíguo), não afirma — descarta o CPF e registra o porquê. |
politician.md |
Sem tabela "o político X"; só "a candidatura de X no ano N" (politician_history). CPF mascarado de 2024 tratado por título eleitoral. campaign_org para o CNPJ de campanha. |
dados_derivados.md |
Correlações e flags (disproportionate_expense, circular_donations) também têm proveniência: qual regra, qual versão, sobre quais linhas. Severidade só low/medium/high, nunca "confirmado". |
Fontes de dados (todas oficiais/públicas)
| Fonte |
O que traz |
Estado |
TSE — consulta_cand |
Cadastro de candidaturas |
✅ coletado (2014–2026) |
| TSE — prestação de contas eleitorais |
CNPJ de campanha; doações e despesas |
✅ coletado (CNPJ, doações, despesas contratadas e pagas) |
TSE — rede_social_candidato |
Redes sociais/site declarados no registro (obrigatório desde a Res. 23.610/2019) |
✅ coletado (2018–2026) |
| X/Twitter (via Apify) |
Posts/replies de contas declaradas ao TSE, filtrados por léxico e triados por LLM (social-x + social-review, ver ADs/dados_derivados.md §1.4) |
✅ eleitos federais |
TSE — bem_candidato |
Bens declarados no registro (base do sinal de patrimônio) |
✅ coletado (2014–2026) |
TSE — foto_cand (DivulgaCandContas, busca por CPF) |
Foto oficial por candidatura |
✅ coletado (parcial, incremental — ver ADs/politician.md §5) |
| TSE — DivulgaCandContas |
Certidões criminais |
⬜ pendente |
| Receita Federal (BrasilAPI) |
Quadro societário de CNPJ, data de abertura, capital |
✅ coletado (incremental — não é rewrite-only, ver ADs/politician.md §2.3) |
| CNJ — DataJud |
Metadados de processos judiciais públicos |
⛔ inviável pela API pública — ver nota abaixo |
| Portal da Transparência — CEIS/CNEP |
Empresas/pessoas impedidas de contratar com o governo ou punidas por corrupção |
✅ coletado (snapshot diário) |
| Portal da Transparência — contratos/emendas |
Contratos, convênios, emendas parlamentares |
⬜ pendente |
| Câmara / Senado — dados abertos |
Mandatos em exercício, votações, cota parlamentar (CEAP) |
⬜ pendente |
Não coletamos (protegido / sigiloso): endereço residencial, telefone e e-mail
pessoal de candidatos; antecedentes fora de processo público; relatórios do COAF.
Por que "quantidade de processos judiciais por candidato" não dá pra fazer (hoje)
Pesquisamos a API Pública do DataJud (CNJ) especificamente pra isso. Conclusão:
os documentos que ela devolve não têm nome, CPF nem CNPJ das partes — só
metadado processual (numeroProcesso, tribunal, classe, assuntos,
orgaoJulgador, movimentos, datas). O glossário oficial da API
(datajud-wiki.cnj.jus.br/api-publica/glossario)
não lista nenhum campo de parte — é proposital, por sigilo (Portaria CNJ
160/2020). Sem CPF/nome no índice, não dá pra buscar "todos os processos do
candidato X" por essa API; ela só serve se você já sabe o número do
processo, ou quer estatística agregada (quantos processos por classe/tribunal
no geral), não "quantos processos tem essa pessoa".
A alternativa real seria raspar a consulta processual pública de cada tribunal
(TJ/TRF/TRT etc.) individualmente por nome — 90+ tribunais, sem padrão comum de
resposta, boa parte também mascara ou omite nome em processos sigilosos, e é
exatamente o tipo de fonte "não reprodutível" que já discutimos em
ADs/confiabilidade.md §2. Não está no radar de
próximos passos por isso — é trabalho de raspagem massivo pra um retorno
incerto, não uma tarde de crawler.
Premissa legal e ética
- Todas as fontes são públicas por determinação legal/judicial.
- CPF de candidato: mascarado em 2024 (decisão do TSE por LGPD), revertido para 2026.
A base de 2024 é reconciliada por título eleitoral — ver
ADs/identidade.md.
- O resultado é indício, não prova. O sistema gera sinais de alerta, não
conclusões. Nada aqui deve virar acusação pública sem apuração formal.
Elosys собирает единую базу данных бразильских политических кандидатов (2014–2026) из официальных правительственных источников с перекрёстными ссылками по CPF/CNPJ, чтобы исследовать связи между политиками и выявлять признаки подозрительных схем вроде круговых пожертвований, фирм-пустышек и состояния, несовместимого с заявленным доходом.