Loading datasets...
Release Date: 11/4/2026
Format: WARC
Size: 1.39 GB
El dataset comprende la captura web del sitio del Sistema de Alertas Tempranas (SAT) de la Defensoría del Pueblo de Colombia, con los 732 documentos que enlaza: 364 alertas tempranas, 303 informes de seguimiento y 65 infografías. Las alertas advierten riesgos por municipio, entre ellos para personas LGBTI. El sitio se capturó en agosto de 2026. Los documentos están alojados en otro dominio y quedaron fuera de esa captura, así que se bajaron aparte en octubre y se sumaron al archivo. Forma parte del respaldo que el equipo Amnesia hizo de portales públicos de Colombia en 2026, a pedido de organizaciones de la sociedad civil, para el Buscatón "Datos libres para vidas dignas". Los WARC se pueden recorrer como si el sitio siguiera en línea, y los documentos se abren desde las páginas archivadas.
Ninguna. La información es de carácter público en su origen.
No usar para identificar o contactar a personas específicas fuera del contexto de rendición de cuentas.
El dataset comprende la captura web del sitio del Sistema de Alertas Tempranas (SAT) de la Defensoría del Pueblo de Colombia, con los 732 documentos que enlaza: 364 alertas tempranas, 303 informes de seguimiento y 65 infografías. Las alertas advierten riesgos por municipio, entre ellos para personas LGBTI.
El sitio se capturó en agosto de 2026. Los documentos están alojados en otro dominio y quedaron fuera de esa captura, así que se bajaron aparte en octubre y se sumaron al archivo. Forma parte del respaldo que el equipo Amnesia hizo de portales públicos de Colombia en 2026, a pedido de organizaciones de la sociedad civil, para el Buscatón "Datos libres para vidas dignas".
Los WARC se pueden recorrer como si el sitio siguiera en línea, y los documentos se abren desde las páginas archivadas.
| Archivo | Tamaño | Contenido |
|---|---|---|
warc/defensoria-alertastempranas-0.dedup.warc.gz | 5 MB | Captura del sitio de agosto de 2026 (744 registros) |
warc/defensoria-alertastempranas-1-pdfs.warc.gz | 346 MB | Documentos bajados en octubre de 2026 (224 PDF) |
warc/defensoria-alertastempranas-2-pdfs.warc.gz | 799 MB | Documentos bajados en octubre de 2026 (333 PDF) |
warc/defensoria-alertastempranas-3-pdfs.warc.gz | 349 MB | Documentos bajados en octubre de 2026 (175 PDF) |
README.md | Descripción del dataset | |
SHA256SUMS.txt | Hash SHA-256 de cada archivo |
Captura del sitio con wget en modo espejo, restringida al dominio del sitio, escribiendo en paralelo un archivo WARC. Los documentos que enlaza el listado están en alertasstg.blob.core.windows.net, fuera del dominio de la captura. Se bajaron aparte bajo su URL original y se guardaron en tres WARC, así que se abren desde las páginas archivadas. Los PDF no van sueltos en el paquete, solo dentro del WARC.
El WARC del sitio está desduplicado: queda una sola captura por URL, la respuesta exitosa más reciente. Los cuatro archivos se complementan y hay que usarlos juntos. Se pueden reproducir con pywb o cargándolos en replayweb.page.
wget no ejecuta JavaScript, así que puede faltar contenido que el sitio cargaba de forma dinámica.SHA256SUMS.txt trae el hash SHA-256 de cada archivo del paquete.Compensated · similar languages
100 hours of rights-cleared Spanish-language episodic television content (5 episodes/series), with English subtitles and structured metadata
20 hours of rights-cleared Castilian Spanish-language scripted film content, accompanied by structured metadata and English Subtitles