Archivio e verifica · giornalismo investigativo

Nove strumenti per trasformare un atto in una citazione verificabile

Albi pretori, delibere, bilanci, sedute consiliari. Ricerca, estrazione, conteggio e prova del documento. Tutto in locale, senza chiavi API e senza servizi cloud.

gratuito nessuna API key nessun dato inviato a terzi MIT Python 3.11 costruito con AutoClaw

Il problema

Un modello linguistico legge un atto comunale e sbaglia tre cose su quattro: confonde l'importo con il ribasso, prende il CIG per un codice qualsiasi, trasforma una tabella di bilancio in un paragrafo.

In un'inchiesta questo non è un fastidio: è un pezzo che cade in revisione legale dopo due settimane di lavoro.

Il punto non è leggere meglio: è poter citare. «Delibera n. 42, pagina 3, importo 248.500,00, consultata il 4 novembre 2026» è una frase verificabile. «Circa 250mila euro» non lo è.

Questi strumenti rinunciano a essere intelligenti e fanno una cosa sola: portano il documento originale dentro il dossier, con la riga di citazione già pronta.

Come funziona

Ogni comando fa un passo solo e stampa sempre la citazione. La catena completa per un'inchiesta su appalti comunali:

# 1. elenco atti di un albo pretorio, in una sola chiamata
albo.py "https://www.comune.xxx.it/albo" --out-dir D:\ricerche\appalti
# 2. testo per pagina, con OCR adattivo solo dove serve
atti_pdf.py --dir D:\ricerche\appalti\fonti\atti --out-dir ...\dati
# 3. tabelle e bilanci: Docling su server remoto, zero RAM locale
tabelle.py rendiconto.pdf --out dati\rendiconto.md
# 4. conteggi veri, non "circa"
dati_query.py appalti.csv --converti --controlla importo --chiave cig
# 5. prova che il portale è cambiato
wayback_prova.py "https://www.comune.xxx.it/bandi" --data 2026-03-14 --cerca "248.500"

Cinque comandi, cinque citazioni. Nessuna chiave, nessun abbonamento.

I nove strumenti

albo.py

Albo pretorio

Scarica la pagina, trova i PDF, li preleva in parallelo ed estrae data, oggetto, importo e CIG in un indice tabellare.

atti_pdf.py

Atti in PDF

Cascata pdftotext → PyMuPDF → OCR 200/300 dpi. Sa quali pagine non hanno testo e lo dice invece di inventare.

tabelle.py

Bilanci e tabelle

Docling su server pubblico: ricostruisce righe e colonne dove pdfplumber si arrende. Zero RAM e zero installazioni.

dati_query.py

Conteggi

SQL su CSV/Parquet con DuckDB. Righe, somme, nulli, duplicati, buchi di numerazione: il controllo che precede ogni consegna.

fonti_web.py

Pagine della PA

Testo pulito con data di pubblicazione, e fallback su Jina Reader per i portali che si caricano via javascript.

wayback_prova.py

Prova del cambiamento

Snapshot datati dell'Internet Archive: cosa diceva la pagina il 14 marzo, e se la stringa oggi non c'è più.

istat_comune.py

Demografia

Tracciati ufficiali ISTAT per comune, con la serie storica e la verifica di continuità tra un anno e l'altro.

archivio.py

Memoria semantica

Interroga un indice locale di 8.612 documenti (atti, relazioni, articoli) con embeddinggemma-2: risponde in 0,2-0,5 s.

social.py

Fonti social

Telegram, Bluesky e YouTube senza chiavi. Le sedute dei consigli comunali, con durata e sottotitoli scaricabili.

Numeri misurati, non stimati

OperazionePrimaDopoPerché
1 PDF con testo nativo3.238 ms 536 mspdftotext prima di importare PyMuPDF
6 PDF in batch3.310 ms 2.540 msun processo, tre lavori in parallelo
group by su 200.000 righe158 ms 5 msParquet invece di CSV
Righe tabellari da un PDF con 3 tabelle0 51Jina appiattisce, Docling ricostruisce
Ricerca semantica su 8.612 documenti— 107-490 msmodello in memoria, conteggi sull'intero corpus

Misure eseguite su questa macchina, Windows, CPU senza GPU.

Un esempio vero

Ricerca sul canale YouTube del Comune di Lodi, senza chiave API:

$ social.py youtube "consiglio comunale lodi" -n 3

• Consiglio Comunale - 22 ottobre 2026
   canale: ComunediLodi | durata: 334:23
   https://www.youtube.com/watch?v=cDsCnpmymIU
   (seduta: si può scaricare l'audio e trascriverlo)

• Consiglio Comunale - 28 luglio 2026
   canale: ComunediLodi | durata: 256:40

Cinque ore e mezza di aula diventano un testo ricercabile: l'intervento sul bilancio si cita con la data della seduta, non con «l'ho sentito nel video».

E la demografia, con la prova che i conti tornano

$ istat_comune.py --comune Lodi --sigla LO --anni 2023-2024

### 2023  [demo.istat.it/data/p2/P2_2023_it_098_Lodi.zip]
  Popolazione censita al 1° gennaio - Totale = 44.843
  Nati vivi - Totale = 310
  Morti - Totale = 511
  Popolazione censita al 31 dicembre - Totale = 45.158

### 2024
  Popolazione censita al 1° gennaio - Totale = 45.158

La chiusura del 2023 coincide con l'apertura del 2024: è il controllo che smaschera un'estrazione sbagliata prima che finisca nel pezzo.

Quello che non fa, e lo dice

Installazione

Python 3.11, un ambiente virtuale su disco esterno, sei dipendenze. Nessuna chiave, nessuna registrazione, nessun costo.

uv venv --python 3.11 D:\fonti-primarie\.venv
uv pip install --python D:\fonti-primarie\.venv\Scripts\python.exe trafilatura duckdb pytesseract pdfplumber pymupdf beautifulsoup4 yt-dlp

python atti_pdf.py delibera.pdf --out delibera.md

Serve anche Tesseract per l'OCR (con la lingua italiana) e pdftotext per la lettura veloce: due binari gratuiti per Windows.

Codice e documentazione su GitHub

Come è stato costruito

Il progetto è nato dentro AutoClaw, usato come ambiente di sviluppo e come banco di prova: ogni script è stato scritto, misurato e corretto in sessione, con i test eseguiti su documenti reali — atti del Comune di Lodi, tracciati ISTAT, un PDF con tre tabelle. I difetti trovati durante le prove sono documentati nella specifica, compresi quelli che avevano fatto sembrare funzionante qualcosa che non lo era.

La specifica operativa che l'agente legge è in SKILL.md; gli script sono indipendenti e funzionano anche da soli, da riga di comando, senza l'app.