Guia de referênciaatualizado em 25 de setembro de 2026

Coleta de dados públicos: fontes, métodos, LGPD e o que faz o dado valer como prova

Coleta de dados públicos é obter, de forma repetível, uma informação que um órgão oficial já publica (cadastro de empresa, certidão, processo, sanção) e guardá-la junto com a prova de onde veio e de quando foi lida. Sem essa prova, o que se tem é uma cópia; com ela, é evidência.

O dado em si raramente é o problema. Ele está lá, gratuito, em algum portal. O trabalho é saber qual portal, passar por ele sem burlar nada, entender a resposta e perceber quando ela envelheceu. Este guia percorre isso de ponta a ponta, inclusive a parte em que automatizar não compensa.

02O que é público

O que conta como dado público

Público é o que o órgão divulga por obrigação legal ou por decisão própria, sem exigir que você prove quem é. A regra geral vem da Lei de Acesso à Informação: publicidade é o padrão, sigilo é a exceção. Na prática, isso aparece de três jeitos diferentes, e cada um pede uma técnica:

01 · Dado aberto

Arquivo para download, publicado em lote. A base do CNPJ da Receita é o exemplo mais usado.

02 · Consulta pública

Um formulário no portal que responde a uma pergunta por vez, quase sempre com captcha. É onde mora a maior parte do que uma empresa precisa verificar.

03 · Documento emitido

A certidão que o portal gera na hora, com número e código de validação. É o único dos três que vale como prova para terceiros.

E o que não é público, por mais que esteja num sistema do governo: dado protegido por sigilo fiscal ou bancário, processo em segredo de justiça, qualquer coisa atrás do login do próprio titular. Coleta que passa por esses lugares deixa de ser coleta de dado público, com ou sem robô.

Quer saber qual órgão responde a cada pergunta sobre uma empresa? O guia de busca de dados públicos organiza isso pergunta por pergunta.

03Métodos

As quatro formas de coletar

Todo fornecedor do setor descreve o método que vende. A comparação inteira é esta, e nenhuma linha ganha em tudo.

Método	Atualidade	Prova de origem	Custo de manter	Serve para
Arquivo de dados abertosBase do CNPJ publicada pela Receita no portal de dados abertos	Defasada: sai na periodicidade do órgão	Não há documento; o arquivo é a fonte	Baixo: o formato muda pouco	Análise em massa, enriquecimento de cadastro
API oficialAPI do Portal da Transparência	A do próprio serviço	Resposta do órgão, sem documento assinado	Baixo, mas poucas fontes oferecem	Integração estável onde ela existe
Robô no portal do órgãoEmissão da CND na PGFN, CNDT no TST, processo no tribunal	Leitura no instante do pedido	PDF emitido pela fonte, com código de validação	Alto: portal muda, captcha muda	Certidão, verificação pontual, evidência para auditoria
Base licenciada (bureau)Cadastros consolidados vendidos por assinatura	A da última carga do fornecedor	Depende do fornecedor; em geral nenhuma da fonte	Nenhum do seu lado	Varredura de milhões de registros, triagem, score

Arquivo de dados abertos

Base do CNPJ publicada pela Receita no portal de dados abertos

Atualidade:: Defasada: sai na periodicidade do órgão
Prova:: Não há documento; o arquivo é a fonte
Manter:: Baixo: o formato muda pouco
Serve para:: Análise em massa, enriquecimento de cadastro

API oficial

API do Portal da Transparência

Atualidade:: A do próprio serviço
Prova:: Resposta do órgão, sem documento assinado
Manter:: Baixo, mas poucas fontes oferecem
Serve para:: Integração estável onde ela existe

Robô no portal do órgão

Emissão da CND na PGFN, CNDT no TST, processo no tribunal

Atualidade:: Leitura no instante do pedido
Prova:: PDF emitido pela fonte, com código de validação
Manter:: Alto: portal muda, captcha muda
Serve para:: Certidão, verificação pontual, evidência para auditoria

Base licenciada (bureau)

Cadastros consolidados vendidos por assinatura

Atualidade:: A da última carga do fornecedor
Prova:: Depende do fornecedor; em geral nenhuma da fonte
Manter:: Nenhum do seu lado
Serve para:: Varredura de milhões de registros, triagem, score

A maior parte dos projetos combina duas linhas: dados abertos ou base licenciada para ter o cadastro inteiro à mão, e robô no portal para o momento em que a decisão precisa de documento. Quem tenta resolver tudo com uma só costuma pagar caro na linha errada. A diferença entre as duas últimas está detalhada em sob demanda ou base licenciada.

04Prova de origem

O que faz um dado coletado valer

Um CNPJ copiado de um portal e colado numa planilha é um dado. O mesmo CNPJ com o órgão, o endereço consultado e o instante da leitura é uma evidência: dá para responder a um auditor sem refazer a pesquisa, e dá para saber quando ele envelheceu.

Mas o detalhe que mais separa uma coleta confiável de uma perigosa é outro: os estados do resultado.

Encontrado01: A fonte respondeu e há registro: processo, débito, sanção. Vem com o que a fonte informou.
Nada consta02: A fonte respondeu e disse, com essas palavras, que não há registro. Só isso é resultado negativo.
Não respondeu03: Portal fora do ar, captcha que não passou, tempo esgotado. Não é "nada consta" e não pode virar.
Pendente04: A fonte aceitou o pedido e entrega depois, por protocolo. O resultado ainda não existe.

Boa parte da automação que existe por aí tem só dois: achou ou não achou. Quando o captcha falha, o robô não acha nada, e "não achou" vira "nada consta". É assim que um fornecedor com débito passa numa homologação com o selo de regular.

Pendente merece atenção à parte. Algumas fontes devolvem um protocolo e entregam o documento horas ou dias depois; tratar isso como falha gera cobrança repetida e alarme falso. O artigo sobre coleta assíncrona mostra como lidar.

05IA aplicada

Onde entra a inteligência artificial

Pedir para um modelo de linguagem buscar o dado público é um erro cada vez mais comum. O modelo não consulta a fonte: ele completa o padrão mais provável. Um número de processo inventado tem o mesmo formato de um verdadeiro, e é justamente o tipo de erro que passa numa revisão rápida.

O desenho que funciona separa os papéis:

01
O robô consulta.
Vai ao portal, lê a resposta e guarda o resultado com origem e hora. É determinístico: ou traz o que estava lá, ou avisa que não conseguiu.
02
A IA interpreta.
Resume uma certidão positiva, classifica um processo, redige o parecer. Trabalha só sobre o que foi coletado.
03
O sistema confere.
Todo número que aparece no texto final é comparado com o que o robô coletou. Divergência bloqueia.

Esse é também o caminho mais rápido para um projeto de IA sair do protótipo: a coleta não toca em dado sigiloso da empresa, então roda enquanto o resto ainda está em discussão.

06Base legal

LGPD e dado público

Dado público não é dado livre. A LGPD permite tratá-lo, mas amarra o uso ao motivo pelo qual ele foi publicado: o art. 7º, §3º pede que se considerem a finalidade, a boa-fé e o interesse público que justificaram a divulgação.

A pergunta que resolve

Verificar a regularidade de um fornecedor com a certidão que o próprio órgão publica para isso está dentro da finalidade. Montar um perfil comercial a partir de processos judiciais, não. A pergunta que resolve a maioria dos casos é simples: o órgão publicou isso para que alguém fizesse exatamente o que você vai fazer?

Pelo CNPJ

Coleta feita a partir do CNPJ, sobre a empresa, reduz muito o risco, porque a maior parte do que se consulta é dado da pessoa jurídica. O tratamento completo, com base legal e o papel de controlador e operador, está no artigo dado público é dado pessoal?.

07Custo

Fazer, contratar ou comprar

Montar a coleta dentro de casa parece barato porque o primeiro robô sai em poucos dias. O custo aparece depois, e tem três partes que quase ninguém orça:

01
Manutenção.
Portal público muda de layout sem aviso. Cada fonte é um robô, e cada robô quebra no seu próprio calendário.
02
Captcha e bloqueio.
Passar respeitando o ritmo do portal exige fila, janela e política de nova tentativa, não só código.
03
Os estados do resultado.
Distinguir "nada consta" de "não respondeu" em cada fonte é o trabalho que mais demora e o que mais importa.

Para uma ou duas fontes estáveis, fazer em casa costuma compensar. Para dezenas de órgãos, a conta muda. Quem paga quando o portal muda está em o portal mudou de layout, e a comparação de tempo e erro entre fazer à mão e por robô, em consulta manual vs. RPA.

08O limite

Quando não automatizar

Poucas consultas por mês, sempre diferentes. O portal resolve, e o tempo de especificar o robô não volta.
Você precisa varrer milhões de registros sem documento nem evidência. Base licenciada ou dado aberto atendem melhor e custam menos.
A fonte exige login da própria empresa (certificado digital, e-CAC). Automatizável, mas com autorização formal e outro nível de cuidado.
O processo que vai usar o dado ainda não existe. Automatizar antes de decidir o que fazer com o resultado só produz planilha.

09Próximo passo

Como começar

Antes de falar com qualquer fornecedor, inclusive a gente, responda a cinco perguntas:

1
Quais CNPJs, e quantos por mês?
2
Quais informações ou documentos, de quais órgãos?
3
Com que frequência a mesma empresa precisa ser relida?
4
Você precisa do PDF oficial, do dado estruturado ou dos dois?
5
Onde o resultado tem de chegar: pasta, planilha, ERP, API?

Com isso em mãos, dá para dizer em minutos se a fonte está coberta e se a conta fecha. O catálogo de coletas mostra as 825+ consultas já mapeadas em 108 órgãos, e o passo a passo de uma implantação está em como funciona uma coleta automatizada.

Mandar as cinco respostas Ver as soluções por área

10FAQ

Dúvidas frequentes

Ficou algo de fora?

Fale direto com quem constrói o robô. A gente olha a fonte, o volume e o destino antes de qualquer proposta.

Falar com quem faz a coleta

Atendimento humano · engenharia da Hath

São informações produzidas ou guardadas pelo poder público que qualquer um pode acessar, porque a regra da Lei de Acesso à Informação (Lei nº 12.527/2011) é a publicidade, e o sigilo é a exceção. Sobre uma empresa, são dados públicos a situação cadastral do CNPJ, as certidões de débito, os processos que não correm em segredo de justiça, as sanções administrativas e os contratos com o governo. Público quer dizer acessível, não livre de regra: a LGPD continua valendo para o que identifica alguém.

É o trabalho de reunir informação de uma fonte, de forma organizada, para responder uma pergunta. Pode ser um questionário, uma medição ou a leitura de um registro que já existe. Quando a fonte é um órgão oficial, fala-se em coleta de dados públicos, e o que importa é guardar junto com o dado de onde ele veio e quando foi lido.

Em pesquisa, a divisão clássica é entre coleta primária, quando o próprio interessado gera o dado (entrevista, questionário, observação), e secundária, quando ele usa um dado que já existe. A coleta de dados públicos é secundária e tem quatro formas: baixar arquivos de dados abertos, chamar uma API oficial, usar um robô que opera o portal do órgão ou comprar uma base já consolidada. Cada uma entrega uma idade de dado e uma prova de origem diferentes.

Para dado agregado e em lote: o Portal de Dados Abertos (dados.gov.br), o Portal da Transparência, o IBGE e os dados abertos do CNPJ publicados pela Receita Federal. Para uma empresa específica, não há site único: cada informação tem um órgão dono, como a PGFN para dívida federal, a Caixa para o FGTS e o TST para débito trabalhista. O guia de busca de dados públicos lista, pergunta por pergunta, qual órgão responde.

Não. Dado público é tudo o que o poder público torna acessível, inclusive a consulta num portal e a certidão que ele emite. Dado aberto é uma parte disso: o dado público publicado em formato que a máquina lê, com licença livre, para baixar e reutilizar, como definiu a Política de Dados Abertos do Executivo federal (Decreto nº 8.777/2016). Toda base aberta é pública; nem todo dado público vem em base aberta.

É obter, de forma sistemática, uma informação que um órgão oficial já publica: situação cadastral de um CNPJ, certidão de débitos, processo em tribunal, sanção em cadastro de controle. A coleta pode ser por arquivo de dados abertos, por API oficial, por robô que opera o portal do órgão ou por compra de base consolidada. O que separa uma coleta útil de uma cópia qualquer é poder provar de onde o dado veio e quando foi lido.

Sim, quando a fonte é pública, o acesso não burla controle nenhum e o uso respeita a finalidade. A Lei de Acesso à Informação garante a publicidade do que o poder público divulga, e a LGPD (art. 7º, §3º) permite tratar dado de acesso público desde que se considere a finalidade, a boa-fé e o interesse público que justificaram a divulgação. O que não é legal: passar por login de terceiro, contornar bloqueio técnico ou usar o dado para um fim incompatível com o motivo da publicação.

Na prática descrevem etapas do mesmo trabalho. Busca e consulta são a pergunta feita a uma fonte; coleta é fazer isso de forma repetível e guardar o resultado com origem; extração é tirar o dado estruturado de dentro de uma página ou PDF; raspagem (scraping) é o nome técnico de quando essa extração é feita por robô sobre uma página web. Um projeto sério de coleta costuma usar as cinco.

Porque eles resolvem uma parte. O arquivo de dados abertos do CNPJ, por exemplo, é ótimo para cadastro em massa, mas é publicado com defasagem e não emite certidão. Débito na PGFN, regularidade do FGTS, débito trabalhista no TST e processo em tribunal só saem consultando o portal de cada órgão, e o documento com código de validação só existe lá.

Para ler e resumir o que foi coletado, sim. Para buscar, não: um modelo de linguagem completa padrões, e um CNPJ ou número de processo inventado tem exatamente o formato de um verdadeiro. A divisão que funciona é o robô consultar a fonte e guardar o resultado com origem e hora, e a IA trabalhar só sobre o que foi coletado.

Guardando três coisas junto com o dado: o órgão e o endereço consultados, o instante exato da leitura e, quando existe, o documento emitido pela fonte com o código de validação dela. Com isso qualquer pessoa confere no site do órgão, sem refazer a pesquisa e sem confiar em quem coletou.

É o custo real da coleta por robô. Um bom processo registra "a fonte não respondeu" em vez de devolver "nada consta", tenta de novo em outra janela e tem alguém responsável por ajustar o robô quando o portal muda de layout. Sem isso, a falha vira resultado limpo, que é o pior erro possível numa verificação.

Faz, como serviço: o robô consulta o portal do órgão no momento do pedido e devolve o dado estruturado ou o PDF emitido na fonte, com a hora da leitura. O catálogo reúne 825+ consultas mapeadas em 108 órgãos. A consulta parte do CNPJ da empresa.

Fontes e método

Este guia é escrito por quem opera a coleta todos os dias: os estados do resultado, as validades e os exemplos saem da operação da Hath Data e do catálogo público de consultas. Textos legais citados:

A coleta é feita em fonte pública oficial: a Hath Data não é a fonte e não certifica o conteúdo publicado pelo órgão. O serviço é prestado sob contrato, o cliente é o controlador dos dados e declara a finalidade; a Hath atua como operadora. Nomes de órgãos são citados apenas para identificar a fonte, sem vínculo ou endosso. Veja os termos de uso e a política de privacidade.

O que conta como dado público

As quatro formas de coletar

O que faz um dado coletado valer

Onde entra a inteligência artificial

LGPD e dado público

Fazer, contratar ou comprar

Quando não automatizar

Como começar

Dúvidas frequentes

01O que são dados públicos?

02O que é uma coleta de dados?

03Quais são os tipos de coleta de dados?

04Quais são os principais sites de coleta de dados públicos?

05Dados abertos e dados públicos são a mesma coisa?

06O que é coleta de dados públicos?

07Coleta de dados públicos é legal?

08Coleta, busca, consulta, extração e raspagem são a mesma coisa?

09Por que não usar só os dados abertos do governo?

10Dá para pedir para uma IA buscar os dados públicos?

11Como provar de onde veio um dado coletado?

12O que acontece quando o portal do órgão sai do ar ou muda?

13A Hath Data faz coleta de dados públicos?