O script foi feito para facilitar a vida de quem precisa baixar diariamente o Diário Oficial da União.
Está simplificado e comentado, contendo a parte essencial e suficiente para o que se propõe.
Basta executá-lo no prompt de comando ou chamá-lo em um script shell.

Foi feito para ser executado sem nenhuma dependência externa além da linguagem Perl e dos módulos usados: DateTime, LWP::Simple, LWP::Simple::Cookies e CAM::PDF. Estes módulos podem ser instalados facilmente digitando no prompt:

$ cpan nome::do::modulo

Caso surja alguma dúvida na instalação dos módulos, consulte esta página: http://www.cpan.org/modules/INSTALL.html

Com os módulos instalados, é só colocar o script para funcionar. Ex.: para baixar o Diário Oficial da Seção 2 do DOU, basta digitar no prompt de comando:

$ perl in_lwp.pl 2

Que ele irá baixar todas as páginas do DOU-2 e criar um PDF contendo todas elas.

Os diários disponíveis testados são: 1, 2, 3, 20 e 1010.

• Download in_lwp.pl
• Enviar nova versão

Versão 2 - Enviado por Ademir Ferreira Furtado em 06/01/2014

Changelog: Com a mudança da localização da página dos Jornais na Imprensa Oficial, houve a necessidade de se alterar o script em duas linhas que fazem referência às URLs.

Download 1389042833.in_lwp.pl

Esconder código-fonte

$|=1;               # variável que indica  para fazer "flush" após cada operação de escrita

my $jornal= shift;            # recebe o numero do jornal desejado  passado como parâmetro ( 1, 2, 3, 20 ou 1010)
print "Jornal: $jornal\n";

use DateTime;
my $dt=DateTime->now;      # recupera a data do sistema
$ymd=$dt->ymd;             # string da data no formato yyyy-mm-dd
$dmy=$dt->dmy("/");       # string da data no formato dd/mm/yyyy 

print "Data: $dmy\n";

use LWP::Simple;          # módulo para fazer as requisições http de forma simples
use LWP::Simple::Cookies ( autosave => 1,
                      file => "lwp_cookies.dat" ); # módulo que trata automaticamente do armazenamento e envio de cookies feitos com as requisições de LWP::Simple

$doc = get("http://www.in.gov.br/visualiza/index.jsp?jornal=$jornal&pagina=1&data=$dmy");     #requisição inicial da página do caderno
if ( $doc=~/&totalArquivos=(\d*)"/ ){                  # verifica quantas páginas o caderno tem
   $paginas=$1;
   print "Paginas: $paginas\n";
   foreach $i ( 1..$paginas) {                     # loop para fazer a requisição de todas as páginas
      my $arq="IN-Jornal $jornal - $ymd - pag_$i.pdf";      # nome local do arquivo pdf a ser recuperado
      getstore("http://www.in.gov.br/servlet/INPDFViewer?jornal=$jornal&pagina=$i&data=$dmy&captchafield=firistAccess",
            $arq ) && print "$arq (ok)\n" ;            # faz a requisição e armazena 
      if ( $i == 1) {                           # se for a primeira página...
            use CAM::PDF; 
            $bigpdf = CAM::PDF->new("$arq");          # a primeira página será a base para anexar os outros pdf
      } else {
            my $anotherpdf = CAM::PDF->new("$arq");    # demais páginas pdf   
            $bigpdf->appendPDF($anotherpdf);        # anexadas  à primeira
      }
   }
   $bigpdf->cleanoutput("IN-Jornal $jornal - $ymd.pdf");       #salva o pdf com todas as páginas

 }else { print "IN-Jornal $jornal não disponível!\n" }                 #avisa se  o caderno  não está disponível 

Pesquisar palavras no Diário Oficial da União

Upload de múltiplos arquivos para Imageshack.us

Obtendo o IP público (Internet) usando o Perl

HAT Googler

Google Tradutor