legal-data-hunter-pl

Legal Data Hunter - warstwa katalogu zrodel polskiego prawa

Warstwa "katalog + harvest" projektu legal AI MateMatic. Mapuje, co z polskiego prawa jest juz dostepne gotowymi kolektorami, i wskazuje luki do uzupelnienia wlasnymi konektorami.

Czym to jest

worldwidelaw/legal-sources (Legal Data Hunter) - otwarte repo skryptow zbierania otwartych danych prawnych z 110+ krajow (960+ kolektorow). Kazdy kolektor pobiera i normalizuje dane z oficjalnego portalu/API rzadowego do wspolnego schematu.

• Repo: https://github.com/worldwidelaw/legal-sources
• Dashboard + hostowane Search API (16 mln dokumentow): https://legaldatahunter.com
• Licencja repo: AGPL-3.0 (skrypty). Licencja DANYCH jest per-zrodlo - patrz blok license: w config.yaml danego zrodla (np. SAOS = public domain).

Lokalna kopia

Sparse-clone polskiej czesci jest w ~/legal-data-hunter/ (17 MB; sources/PL/ + framework common/ + runner.py). Aktualizacja:

cd ~/legal-data-hunter && git pull

Pelne repo to 388 MB - NIE klonuj calosci, sparse-checkout wystarcza:

git clone --filter=blob:none --no-checkout --depth 1 \
  https://github.com/worldwidelaw/legal-sources.git legal-data-hunter
cd legal-data-hunter
git config index.sparse true
git sparse-checkout init --cone --sparse-index
git sparse-checkout set sources/PL common docs
git checkout

⚠️ --sparse-index jest KONIECZNY na Windows - bez niego git checkout wywala sie na sciezkach z : w nazwie (US/Louisiana) mimo cone-mode.

Pokrycie polskiego prawa (16 zrodel, stan 2026-05-19)

Pelna tabela ze statusem, API i licencja: references/coverage-pl.md.

Dziala (13 zrodel) - legislacja, orzecznictwo, regulatorzy, podatki:

• Legislacja: DziennikUrzedowy, Sejm (ELI API, 96K aktow - oznaczony untested)
• Orzecznictwo: ConstitutionalCourt (TK), SupremeCourt (SN), NSA, KIO, SAOS (hurtowe archiwum wszystkich sadow)
• Regulatorzy: KNF, UODO, UOKIK, UKE, URE
• Podatki: KIS-EUREKA, NSA-Tax

Zablokowane / luki (3 zrodla):

• SN - sn.pl w konserwacji, alternatywa SAOS zawiesila sie (osobne zrodlo SupremeCourt dziala - ta pozycja to redundantny, zepsuty wariant)
• MF - interpretacje podatkowe sip.mf.gov.pl, API EUREKA geo-blokowane/WAF (czesciowo zastepuje je dzialajacy KIS-EUREKA)

To pokrywa wieksza czesc opublikowanego polskiego prawa - stad teza "~80%".

Czego TU NIE MA - luki do uzupelnienia przez MateMatic

Luka	Dlaczego	Plan MateMatic
Biezace orzeczenia sadow powszechnych	LDH ma je tylko przez SAOS, a SAOS to archiwum konczace sie ~2018	wlasny konektor do portali orzeczen orzeczenia.ms.gov.pl
Interpretacje podatkowe MF	zrodlo MF zablokowane (WAF/geo)	wlasny konektor lub oprzec sie na KIS-EUREKA
KRS - rejestr przedsiebiorcow	brak w sources/PL w ogole	skille gaius-lex (KRS) juz w MateMatic; ew. wlasny konektor MCP
Monitor Polski	jawnie nieindeksowany	do rozwazenia
Wyszukiwanie interaktywne (live query)	kolektory LDH to HARVESTERY (hurt), nie API zapytan	wlasne konektory zapytan: skill saos-orzecznictwo, przyszle ISAP/KRS

Jak to sie laczy z reszta architektury

Trzy warstwy dostepu do polskiego prawa - nie konkuruja, uzupelniaja sie:

1. Harvest / katalog (ta warstwa) - Legal Data Hunter. Hurtowy zaciag ~13 dzialajacych zrodel do lokalnego korpusu RODO-safe. Off-line, batch.
2. Live query - wlasne konektory MateMatic. Skill saos-orzecznictwo (interaktywne wyszukiwanie orzeczen), przyszle ISAP/KRS. To jest moat.
3. Prawo UE - skill eu-sparql-search (EUR-Lex/CJEU).

Kolektor SAOS w LDH (sources/PL/SAOS) uzywa tylko Dump API (hurtowe archiwum, append-only). Skill saos-orzecznictwo uzywa Search/Browse API (zapytania na zywo). To NIE jest dublowanie - jedno zasila lokalny indeks, drugie odpowiada na pytanie tu i teraz.

⚠️ Hostowane Search API legaldatahunter.com to zaleznosc chmurowa - sprzeczna z teza zero-cloud MateMatic (RODO-safe self-hosted stack). Do produktu dla kancelarii uruchamiaj kolektory lokalnie i trzymaj korpus u siebie. Hostowane API jest OK tylko do szybkiego rozpoznania/dev.

Uruchamianie kolektorow

Framework: Python. Zaleznosci w requirements.txt (core: requests, pyyaml, beautifulsoup4, lxml; ciezsze opcjonalne: playwright, psycopg2-binary, opendataloader-pdf). Core jest juz zainstalowany na tej maszynie.

cd ~/legal-data-hunter
python runner.py status              # przeglad stanu projektu
python runner.py sample PL/SAOS      # tryb probny - 10+ rekordow do walidacji
python runner.py test PL/UODO        # test kolektora
python runner.py fast PL/KIO         # bootstrap_fast

Struktura kazdego zrodla sources/PL/<Nazwa>/:

• bootstrap.py - kolektor: fetch_all(), fetch_updates(), normalize()
• config.yaml - metadane, API, rate-limit, schema, licencja danych
• status.yaml - historia uruchomien (jesli byl uruchamiany)
• sample/ - 10+ rekordow do walidacji
• retrieve.py - resolver referencji ("art. 415 kc" -> dokument), o ile istnieje

⚠️ common/pdf_extract.py ma preload_existing_ids() odpytujace hostowana baze Neon Postgres (idempotencja pipeline'u LDH). Przy harveScie dla MateMatic uruchamiaj w trybie bez tego checku - nie wystawiaj danych kancelarii do Neon.

Workflow

1. Pytanie "czy mamy zrodlo X?" - sprawdz references/coverage-pl.md. Jest -> uzyj kolektora. Nie ma / zablokowane -> luka, patrz tabela luk wyzej.
2. Hurtowy zaciag - runner.py sample na probe, potem pelny fetch_all(); zapis do lokalnego korpusu (SQLite + vector store, patrz wewnetrzne KGLF MateMatic).
3. Synchronizacja - kolektory legislacyjne robia upsert (akty sie zmieniaja), case-law append-only z dedup. Cyklicznie fetch_updates().
4. Zapytanie na zywo - NIE przez LDH; uzyj saos-orzecznictwo lub innego konektora zapytan.
5. Luka - jesli zrodla brak albo jest zablokowane, to kandydat na wlasny konektor MateMatic. Najpierw skill (wzorem saos-orzecznictwo), potem MCP.

Reguly

• Repo AGPL-3.0 - skrypty kolektorow sa copyleft. Dane wyjsciowe maja wlasne licencje (per config.yaml). Uruchamianie kolektorow jako osobnych procesow i uzywanie zebranych danych nie czyni powloki MCP MateMatic dzielem zaleznym - spojne z insightem licencyjnym o MCP w otwartym ekosystemie MateMatic.
• Do produktu dla kancelarii: kolektory lokalnie, korpus lokalnie. Bez Neon, bez hostowanego Search API.
• README polskiej sekcji w repo bywa nieaktualny (widziano date 2026-02-21 i spis 4 zrodel przy realnych 16) - ufaj drzewu sources/PL/ i status.yaml, nie tekstowi README.
• Statusy w references/coverage-pl.md to migawka 2026-05-19 - przy waznych decyzjach odswiez (git pull + runner.py status).