Pet Apura · Presidência 2026
Site de apuração e projeção do segundo turno presidencial. Projeto do PET de Ciências Sociais da USP.
Site: petapura.eleicoes-pet.workers.dev
Código: github.com/mgaldino/petapura
O repositório reúne o site, o endpoint no Cloudflare Workers, os adaptadores de
publicação e as fontes do modelo estatístico e do coletor.
As fontes em modelo/ correspondem ao release usado em produção, com hashes
conferidos. Dados eleitorais de entrada e objetos ajustados são requisitos separados,
documentados nesse diretório. Os registros administrativos do PET e as capturas do
painel de analytics permanecem locais.
A votação final projetada de A é a informação principal, apresentada nos cenários
com aprendizado e relação de 2022. Antes dos primeiros boletins, as caixas
mostram ND (não disponível) e o gráfico fica em 50% / 50%, identificado como
referência visual de espera. O parcial aparece depois do gráfico. As faixas usam o
nível informado pelo modelo. A metodologia e a equipe têm páginas próprias no menu.
Executar
Requer Python 3.10 ou superior em macOS ou Linux (o publicador usa locks POSIX). O servidor e o publicador usam somente a biblioteca padrão do Python. A simulação integrada também requer R e os pacotes já usados pelo modelo: data.table, arrow, jsonlite e digest. Não instala dependências automaticamente.
python3 scripts/run_local.py
Esse comando abre uma simulação integrada: gera 2.800 seções fictícias nas 27 UFs e no exterior, publica snapshots pelo código original do coletor, executa o modelo adaptativo e serve a página. Começa com previsão inicial e zero BUs e avança automaticamente até concluir a apuração. A página não exige controles de reprodução nem escolha de intervalo. Cada lote executa novamente a previsão; não é uma sequência de percentuais pré-gravados.
O modelo é localizado na estrutura atual DCP/Cursos/Regressao/.../previsao_tempo_real. Em outra máquina, informe --model-dir /caminho/previsao_tempo_real ou a variável PET_MODEL_DIR. Guia completo: executar e testar localmente.
Abra pelo endereço local, em vez de abrir web/index.html diretamente no Finder. O site lê arquivos JSON e usa módulos JavaScript pelo servidor.
Para servir somente o frontend estático, use python3 scripts/serve.py: nesse caso o endereço principal começa em aguardando dados, e ?demo=1 mostra os exemplos do mockup. O servidor integrado declara explicitamente o modo fictício; o endpoint de produção continua rejeitando dados de demonstração.
Organização
| Pasta | Conteúdo |
|---|
web/ | Aplicação HTML, CSS e JavaScript, sem framework. MathJax na metodologia e beacon do Cloudflare nas páginas públicas |
modelo/ | Fontes R, Stan e Python do modelo e do coletor, configurações e manifesto de hashes |
mockup/ | Mockup aprovado, versão independente para navegador e dados sintéticos originais |
docs/ | Estado, decisões de design, operação e integração |
docs/benchmark/ | Pesquisa visual, PDF, capturas e referências que antecederam o mockup |
schema/ | Esquema versionado dos dados públicos |
scripts/ | Validação, importação do coletor, publicação atômica, prévia e empacotamento |
integracao/ | Funções de saída para o executor em R |
tests/ | Testes JavaScript/Python e fixtures sintéticas |
Integrar o modelo
O ponto de entrada é um snapshot JSON conforme o contrato. A URL é configurada em web/config.json. O site consulta essa URL a cada 30 segundos, valida os dados e preserva a última resposta válida em falhas.
python3 scripts/publish_snapshot.py --input /caminho/snapshot-do-modelo.json
A ponte integracao/executar_pipeline.R já chama avancar_previsao_analise() do modelo atual, lê o checkpoint consistente e exporta seu percentual e quantis de 95%. Para usar o coletor existente, execute python3 scripts/run_local.py --mode tse; ele lê o export e grava checkpoints somente em local/tse/. Não inicia outro coletor.
O executor do modelo também pode construir o snapshot com montar_snapshot_site() usando o manifesto e os totais que já leu. Isso evita combinar uma previsão com um snapshot posterior do coletor. O publicador acrescenta o histórico e troca o JSON por inteiro, de forma atômica.
Há também um importador de dados observados, que não calcula previsões:
python3 scripts/import_tse.py --source /caminho/previsao_tempo_real/data/live/tse_export
O executor de produção continua usando seu runtime isolado. A cópia pública em
modelo/ permite inspecionar as fontes que deram origem aos cálculos. Para executá-la,
é necessário fornecer os dados e o estado inicial descritos em seu README. Os formatos
antigos de previsão não são tratados como saída final do modelo adaptativo.
Verificar e empacotar
Requer Node.js 20 ou superior somente para os testes JavaScript; a aplicação no navegador não depende de Node.
node --test tests/*.test.js
PET_MODEL_DIR="$PWD/modelo" python3 -m unittest discover -s tests -p 'test_*.py'
python3 scripts/build.py
O último comando produz dist/, pronto para hospedagem estática. Também há atalhos npm run dev (pipeline integrado), npm run preview (frontend estático), npm test e npm run build, sem etapa de instalação.
O replay que executa o modelo R do início ao fim é separado dos testes unitários: python3 tests/replay_pipeline.py --model-dir /caminho/previsao_tempo_real. As evidências estão em docs/validacao/.
Consulte operação e publicação, decisões de apresentação e estado da entrega. O site está publicado em petapura.eleicoes-pet.workers.dev.
Workers e dois cenários (22/10)
A página agora apresenta separadamente os cenários com aprendizado e relação de
2022, cada um com sua projeção e faixa de 95% do mesmo checkpoint. O gráfico permite
alternar entre eles. A prior real está em deployment/initial-prior.json: 47,3534% para
Lula, faixa de 43,0195% a 51,4416%, com 499.248 seções e zero BUs; os cenários coincidem.
python3 scripts/build.py --production --snapshot deployment/initial-prior.json prepara
o pacote. wrangler.jsonc configura a página e o endpoint de resultados no Cloudflare
Workers; scripts/run_cloudflare.py envia as atualizações calculadas em R.
Publicado em 22/10 em petapura.eleicoes-pet.workers.dev,
com Web Analytics ativo e acessos de teste já recebidos no painel. A página pública e
o primeiro envio do modelo ao KV foram verificados; o JSON público corresponde ao snapshot enviado. Instruções e
evidências em CLOUDFLARE.md.
Supervisão automática no macOS
Na máquina de produção, o coletor e o publicador são mantidos por dois LaunchDaemons
do launchd, no domínio system, com retomada após encerramento e início antes do
login. Os componentes executam na conta comum do operador e reutilizam os mesmos
dados, runtime e checkpoints que já alimentam o site. A instalação administrativa
foi concluída e a retomada dos processos foi testada em 24/10/2026.
A instalação e os comandos de operação estão em SERVICOS.md.
O modo --scope system --user NOME_DA_CONTA exige sudo para instalar e administrar
os serviços, com retorno à configuração anterior se a migração falhar. O modo de
LaunchAgents por usuário continua disponível para início no login.
