descargar-borme

Info de descarga en:

https://www.boe.es/datosabiertos/

Para bajar todo desde enero de 2009 por ejemplo:

for y in `seq 2009 2020`
do
  for m in 01 02 03 04 05 06 07 08 09 10 11 12
  do
    php -f traer_borme.php ${y}${m}01 ${y}${m}31 &
  done
done

Eso sólo baja los pdf, pero podemos tener los xml de esos pdf haciendo algo como:

find -name *.pdf | \
perl -n -e 'print "$1 $2\n" if /^(.*)\/(BORME-.*)\.pdf$/' | \
while read a b
do
  curl -s 'https://boe.es/diario_borme/xml.php?id='$b -o $a/$b.xml
done

Una forma rápida (y chapucera) de obtener los nombres más frecuentes puede ser:

find -name *.xml | \
  xargs cat | \
  perl -n -e '$_ =~ s/([A-Z][a-z]+ [A-Z][a-z]+ [A-Z][a-z]+)/\n$1/g; print' | \
  perl -n -e 'print "$1\n" if /^([A-Z][a-z]+ [A-Z][a-z]+ [A-Z][a-z]+)/' | \
  sort | \
  uniq -c | \
  sort -n

No voy a esperar que baje todo, pero un ejemplo de la salida sería:

        ...
      8 Susana Monje Guti
      9 Laboratorio Reig Jofre
     10 El Registrador Mercantil
     11 Antonio Soler Ramos
     11 Juntas Generales Universales
     12 Cementos Portland Valderrivas
     12 El Administrador Solidario
     12 John Bean Technologies
     12 Mercado Alternativo Burs
     13 Convocatoria Junta General
     14 Ciudad Grupo Santander
     14 Los Administradores Mancomunados
     14 Tenis Las Lomas
     16 El Consejero Delegado
     18 Obligaciones Ordinarias Serie
     19 Juntas Generales Extraordinarias
     22 Santander International Debt
     41 Junta General Universal
     65 La Junta General
     71 Real Decreto Legislativo
    157 Sociedad Limitada Unipersonal
    471 Junta General Extraordinaria
    517 Junta General Ordinaria