library(vigiar)
# Configurar diretório de cache
vigiar_cache_dir("~/vigiar_cache")
# Verificar configuração
vigiar_cache_info()12 Cache, Snapshots e Reprodutibilidade
A reprodutibilidade é um pilar do pacote vigiar. Como os dados do dashboard Power BI podem mudar a qualquer momento (atualizações, correções, alterações no modelo), é essencial ter mecanismos para congelar o estado dos dados baixados.
12.1 Cache Local
O cache evita downloads repetidos dos mesmos dados, economizando tempo e banda.
12.1.1 Configuração
12.1.2 Download com cache
vigiar_conectar()
# Download com cache (TTL padrão: 24 horas)
pm25 <- vigiar_baixar_com_cache("df_anual")
# Na segunda execução (dentro de 24h), os dados vêm do cache
pm25 <- vigiar_baixar_com_cache("df_anual")
# Mensagem: "Usando cache (idade: 2.3 horas, TTL: 24h)"12.1.3 Gerenciamento do cache
# Listar conteúdo do cache
vigiar_cache_info()
# Limpar cache por idade
vigiar_limpar_cache(dias = 7)
# Limpar tabela específica
vigiar_limpar_cache(tabela = "df_anual")
# Limpar todo o cache
vigiar_limpar_cache()12.2 Snapshots
Snapshots são “fotografias” dos dados em um determinado momento, com metadados de proveniência.
12.2.1 Criando um snapshot
snap <- vigiar_snapshot(
dados = pm25,
tabela = "df_anual",
parametros = list(
uf = "RJ",
data = "2026-07-19",
projeto = "IC_Mudancas_Climaticas"
)
)
print(snap)Saída:
Snapshot VIGIAR
Tabela: df_anual
Dimensão: 5570 × 12
Checksum SHA256: a1b2c3d4e5f6...
Criado em: 2026-07-19 10:30:00
Sessão R: R 4.4.0 / vigiar 0.7.2
Parâmetros:
uf: RJ
projeto: IC_Mudancas_Climaticas
12.2.2 Verificando integridade
# Verificar se o snapshot está íntegro
vigiar_verificar_snapshot(snap) # TRUE ou FALSE12.2.3 Salvando e carregando
# Salvar
vigiar_salvar_snapshot(snap, "pm25_rj_2026.rds")
# Carregar posteriormente
snap_carregado <- vigiar_carregar_snapshot("pm25_rj_2026.rds")
# Verificar integridade
vigiar_verificar_snapshot(snap_carregado) # TRUE12.2.4 Comparando snapshots
# Baixar dados em dois momentos diferentes
snap_janeiro <- vigiar_snapshot(pm25_jan, tabela = "df_anual")
snap_julho <- vigiar_snapshot(pm25_jul, tabela = "df_anual")
# Comparar
diffs <- vigiar_comparar_snapshots(snap_janeiro, snap_julho)
diffsSaída:
Comparação de snapshots: df_anual
Dimensão: 5570×12 → 5580×12 (+10 linhas)
Checksum: diferente (dados alterados)
Colunas: idênticas
Timestamps: 2026-01-15 → 2026-07-19
12.3 Schema Locking
O schema do dashboard Power BI pode mudar sem aviso. O schema lock congela a estrutura esperada.
12.3.1 Criando um lock
# Congelar o schema atual
vigiar_esquema_lock("schema_vigiar_2026-07.json")O arquivo gerado contém:
{
"locked_at": "2026-07-19T10:30:00",
"vigiar_version": "0.7.2",
"tables": {
"df_anual": {
"colunas": {
"muni": "integer",
"UF": "character",
"ano": "integer",
...
}
},
...
}
}12.3.2 Verificando contra um lock
# Verificar se o schema atual corresponde ao lock
vigiar_esquema_verificar("schema_vigiar_2026-07.json")Se houver mudanças:
Diferenças detectadas no schema:
NOVAS TABELAS:
+ df_novo_indicador
TABELAS REMOVIDAS:
- legenda_antiga
COLUNAS ALTERADAS:
~ df_anual: +col_nova, -col_removida
12.3.3 Carregando um lock
lock <- vigiar_esquema_carregar_lock("schema_vigiar_2026-07.json")12.4 Logging
Todas as operações são registradas em um log estruturado.
12.4.1 Visualizando o log
# Log completo
vigiar_log()
# Resumo do log
vigiar_resumo_log()
# Histórico de downloads
vigiar_historico_downloads()
# Resumo de downloads
vigiar_resumo_downloads()12.4.2 Exportando o log
vigiar_exportar_log("log_operacoes.json")12.4.3 Limpando o log
12.5 Fluxo de trabalho para reprodutibilidade
Este é o fluxo recomendado para projetos que exigem reprodutibilidade estrita (ex: publicações científicas):
library(vigiar)
# 1. Conectar
vigiar_conectar()
# 2. Travar o schema
vigiar_esquema_lock("schema_lock.json")
# 3. Baixar dados
pm25 <- vigiar_baixar_rj("df_anual")
# 4. Processar e validar
pm25 <- process_pm25(pm25, tipo = "anual")
# 5. Diagnosticar e auditar
diag <- vigiar_diagnosticar_serie(pm25)
audit <- vigiar_auditar(pm25, tabela = "df_anual")
# 6. Criar snapshot
snap <- vigiar_snapshot(
dados = pm25,
tabela = "df_anual",
parametros = list(
artigo = "Impactos da poluicao do ar no RJ",
versao_dados = "2026-07-19"
)
)
# 7. Salvar snapshot
vigiar_salvar_snapshot(snap, "dados/pm25_artigo.rds")
# 8. Exportar auditoria e log
vigiar_exportar_auditoria(audit, "dados/auditoria.json")
vigiar_exportar_log("dados/log_operacoes.json")
# 9. Desconectar
vigiar_desconectar()
# Agora você tem um pacote de dados reprodutível:
# ├── schema_lock.json — estrutura esperada
# ├── pm25_artigo.rds — dados + checksum
# ├── auditoria.json — evidência de qualidade
# └── log_operacoes.json — rastreabilidade completaEste conjunto de arquivos pode ser arquivado junto com o artigo (ex: repositório Zenodo, OSF) e citado nos métodos.