omp
2043d5ddcf
- corpus/: Almeida (João Ferreira de Almeida) em USFX, domínio público, 66 livros / 1189 capítulos / 31098 versículos, versionado com SHA-256 - app/corpus.py: parser USFX (texto no tail de <v/>), nomes canônicos dos livros, aliases (abreviaturas e numerais romanos), VerseChunk sem página - indexer: descobre *.xml em CORPUS_DIR, progresso em versículos, lote configurável, manifesto incremental por SHA-256 - remove extraction.py, parallel.py, bible_parser.py, Tesseract e PyMuPDF - campo page removido de Source/SearchResult/StatusResponse e do frontend - embedder: propriedade name; status reporta o embedder em uso, não o do .env - create_app constrói o embedder ANTES do store (o default HashEmbedder do VectorStore impedia o modelo configurado de ser carregado em produção) - fallback do modelo agora aparece em /api/status.errors - torch 2.6.0 + transformers 5.22.1 pinados (transformers 5.x exige torch>=2.6)
Corpus bíblico
Texto indexado pelo Pastor Online. Os arquivos aqui são montados somente-leitura em
/data/corpus e descobertos pelo indexador na inicialização.
por-almeida.usfx.xml
| Tradução | João Ferreira de Almeida |
| Idioma | Português |
| Formato | USFX (Unified Scripture Format XML), UTF-8 |
| Tamanho | 4.745.976 bytes |
| SHA-256 | 4990d0d1909e2bd57aa6ecc2a2ce9a565b154aac8575b0242dc943ad796e643e |
| Conteúdo | 66 livros · 1.189 capítulos · 31.098 versículos |
| Licença | Domínio público |
| Proveniência | https://github.com/seven1m/open-bibles (por-almeida.usfx.xml) |
Domínio público: pode ser redistribuído e usado sem atribuição nem restrição. O arquivo é versionado no repositório de propósito — o build não depende de rede e o conteúdo indexado é reproduzível byte a byte.
Estrutura
<book id="GEN">
<h>Gênesis</h>
<c id="1"/>
<v id="1"/>No princípio criou Deus os céus e a terra. <ve/>
</book>
Detalhes que o parser precisa respeitar:
- O texto do versículo é o
tailde<v id="N"/>, encerrado por<ve/>— não são filhos do elemento<v/>. Nreinicia a cada capítulo; o capítulo corrente vem do último<c id="…"/>.- O nome do livro vem de
<h>, na grafia que o próprio corpus declara (1 Samuel,Cânticos,Isaías). É essa grafia que aparece nas citações. - O texto contém
\xa0(espaço não separável), normalizado para espaço comum.
Versificação
O cânon está completo, mas 12 versículos de fim de capítulo divergem da numeração de outras edições — ora ausentes (Gn 36:43, Gn 43:34, Nm 5:31, Nm 25:18, Ne 5:19, Ez 20:49, Lc 9:62, 2Co 13:14), ora com um versículo a mais (Jz 5, 1Sm 20, Sl 46, 3Jo 1). É versificação, não texto faltando. A validação de citação confere contra este corpus indexado, não contra uma Bíblia impressa.
Adicionando outras traduções
Coloque qualquer arquivo USFX aqui e reinicie o backend (ou chame
POST /api/reindex). Cada arquivo é indexado separadamente e identificado pelo
próprio nome no campo file dos metadados, então chunk_id não colide entre
corpora. Verifique a licença antes: traduções modernas (NVI, NTLH, NAA, ACF, ARA,
ARC, KJA) pertencem às editoras e não podem ser redistribuídas.