# ANAF Datornici — recipes & integration handoff

Status la **2026-05-09**: schema `anaf.*` aplicată, 140,777 firme T1-2016 ingerate
(83.2 mld RON datorie totală). Surse live (anaf.ro/restante/) **CAPTCHA-blocked**
— vezi limitări mai jos.

## Ce există acum în DB

```sql
-- 140,777 firme cu obligații restante la 2016-03-31
anaf.datornici          -- mari (164) + mijlocii (2,132) + mici (138,481)
anaf.lista_alba         -- gol (lista albă necesită live scrape — captcha-blocked)
anaf.datornici_latest   -- view DISTINCT ON (cui) ORDER BY pub_date DESC
```

Coloane importante:
- `cui` (text, fără prefix RO)
- `publication_date` (date) — `2016-03-31` pentru singura publicare ingerată
- `period_label` — `'T1 2016'`
- `debtor_category` — `'mari'` | `'mijlocii'` | `'mici'`
- `debt_total`, `debt_principal`, `debt_penalty`, `debt_contested` (numeric RON)
- detaliu per buget (state, social, unemployment, health) × (principal, penalty, contested)

Index-uri: `cui`, `publication_date DESC`, `debt_total DESC`, `debtor_category`.

## Limitări — citește înainte de a planifica scraperul live

1. **anaf.ro/restante/index.xhtml** e o aplicație JSF/PrimeFaces cu **CAPTCHA**
   pe submit. Am încercat:
   - JSF AJAX submit fără CAPTCHA → `rowCount=0` silent (nu eroare, dar tabel gol)
   - Replay cu cookie + ViewState valid → același rezultat (CAPTCHA validată
     server-side, nu client-side)
   - Nu există endpoint JSON public alternativ
2. **anaf.ro nu publică arhive trimestriale istorice public**. Doar trimestrul
   curent e accesibil prin UI (cu CAPTCHA). Pentru istorie trebuie:
   - archive.org snapshots (manual, fragmentar)
   - sau colaborare cu listafirme.eu (paywall API ~€/lună)
3. **data.gov.ro** publică doar Q1-2016 ca CSV (3 fișiere mari/mijlocii/
   micijuridice) — `dataset/datoriile-catre-bugetul-de-stat`. Nu se actualizează.

Pentru live scrape, trebuie integrat un **captcha solver extern** (2captcha sau
anti-captcha, ~$1-3 / 1000 captcha-uri). Stub în
`src/scrape-anaf-datornici.ts::scrapeAnafLive()` (comentat). Workflow:

```
1. GET /restante/index.xhtml → ViewState + JSESSIONID
2. GET /restante/kaptcha.jpg?pfdrid_c=true → bytes (PNG)
3. POST img la 2captcha.com/in.php → ID, polled la /res.php?action=get
4. POST /restante/index.xhtml cu form:inputc=<solution>
5. Parse <update id="form:dataTable"> XML → extract rows
6. PrimeFaces dataTable_paginator → POST cu page param până la `(N of N)`
```

Estimare: ~5-15K rânduri × ~30 secunde/captcha-iterație × 1 trimestru = ~1-2h
per trimestru. Dacă vrem 4 trimestre × 5 ani = 20 trimestre = ~20h totale.

## Recipe propus pentru recipes.ts (Phase 4 ANI agent owns recipes.ts)

> **NU edita recipes.ts în această sesiune** — Phase 4 ANI a commit-uit deja
> `politicianFirmaFurnizorStat`. Această secțiune documentează ce **trebuie
> adăugat** în următoarea sesiune unde recipes.ts e disponibil.

### `firmeDatorniceCuContracteSeap` — KILLER red-flag

Firme care apăreau pe lista ANAF datornici la o dată X, ȘI au câștigat contracte
publice SEAP **după** acea dată — interzis prin art. 165 Legea 98/2016 (pentru
obligații executorii).

**Date validation pe data live (Q1-2016 snapshot):**
- 1,561 firme datornice → 36,403 contracte → 5.83 mld RON
- Top: URBAN SA (485 mil debt → 64 contracte), SOCIETATEA COMPLEXUL ENERGETIC
  HUNEDOARA (477 mil debt), HIDROELECTRICA (214 mil debt → 48 contracte 79
  mil RON post-publicare), ROMAERO, SRTV.

```ts
{
  slug: 'firme-datornice-cu-contracte-seap',
  title: 'Firme datornice ANAF care au câștigat contracte SEAP',
  desc: 'Firme care apăreau pe lista ANAF cu datorii la stat — și au luat contracte publice imediat după (interzis Legea 98/2016 art. 165).',
  category: 'red-flags',
  badge: '🚨 datornic + contract',
  sql: `
    SELECT
      d.cui,
      d.name AS firma,
      d.period_label,
      ROUND(d.debt_total/1000000.0, 2) AS datorie_mil_ron,
      d.debtor_category AS categorie_datornic,
      COUNT(DISTINCT a.id) AS contracte,
      ROUND(SUM(a.awarded_value)::numeric/1000000.0, 2) AS contracte_mil_ron,
      MAX(a.publication_date::date) AS ultim_contract,
      e.adr_judet AS judet
    FROM anaf.datornici d
    JOIN seap.announcements a ON a.supplier_cui = d.cui
    LEFT JOIN firms.entities e ON e.cui = d.cui
    WHERE a.publication_date::date > d.publication_date
      AND a.awarded_value IS NOT NULL
      AND a.awarded_value > 0
    GROUP BY d.cui, d.name, d.period_label, d.debt_total, d.debtor_category, e.adr_judet
    HAVING SUM(a.awarded_value) > 100000  -- filter zgomot
    ORDER BY SUM(a.awarded_value) DESC
    LIMIT 200;
  `,
  cols: [
    { key: 'cui', label: 'CUI' },
    { key: 'firma', label: 'Firmă', link: (r) => `/achizitii/firma/${r.cui}` },
    { key: 'period_label', label: 'Trimestrul publicării' },
    { key: 'datorie_mil_ron', label: 'Datorie (mil RON)', numeric: true },
    { key: 'categorie_datornic', label: 'Categorie ANAF' },
    { key: 'contracte', label: 'Nr. contracte SEAP', numeric: true },
    { key: 'contracte_mil_ron', label: 'Valoare contracte (mil RON)', numeric: true },
    { key: 'ultim_contract', label: 'Ultim contract' },
    { key: 'judet', label: 'Județ' },
  ],
}
```

**Caveats pentru recipe:**
- Cu doar T1-2016 ingerat, recipe-ul reflectă **doar acel snapshot** — toate
  contractele post-2016-03-31, fără să știm dacă firma și-a plătit datoriile
  ulterior. Pentru rigoare, ar trebui să comparăm cu snapshot mai recent (live)
  ca să excludem firmele care au stins datoriile.
- Multe state-owned (HIDROELECTRICA, ROMAERO, COMPLEXUL ENERGETIC HUNEDOARA) —
  legitimitate parțială (datorii încrucișate stat-stat). Filtru viitor:
  `EXCEPT companii cu acționar stat majoritar`.
- `e.judet` join opțional — `firms.entities` are 100% acoperire CUI privat;
  unele datornic-i sunt dispărute / radiate.

## Integration points pentru profile pages (viitor)

Pe `/achizitii/firma/[cui]` adaugă badge dacă apare în `anaf.datornici_latest`:

```sql
SELECT period_label, debt_total, debt_principal, debt_penalty, debtor_category
FROM anaf.datornici_latest WHERE cui = $1;
```

UI badge similar cu RegAS / EU funds:
- 🚨 Roșu: `debt_total > 1_000_000` (datornic mare)
- 🟠 Portocaliu: orice apariție în lista datornici

Dacă vrem contrast pozitiv, când avem `anaf.lista_alba` populated:
- ✅ Verde: cui în `lista_alba` la cel mai recent trimestru

## Cum re-rulez ingest-ul

```bash
# Re-import data.gov.ro Q1-2016 (idempotent, ON CONFLICT DO UPDATE)
ssh satra "sudo /opt/vreaudigital/services/seap-scraper/cron/scrape-anaf-datornici.sh"

# Doar dry-run (parsează fără DB writes)
ssh satra "sudo DRY_RUN=1 /opt/vreaudigital/services/seap-scraper/cron/scrape-anaf-datornici.sh"

# Live scrape (NU e implementat — necesită captcha solver):
# ssh satra "sudo SOURCE=live /opt/vreaudigital/services/seap-scraper/cron/scrape-anaf-datornici.sh"
```

## Next steps prioritizate

1. **MVP scoreboard** (1h): adaugă `getAnafDebtStatus(cui)` în profile-queries.ts
   (după ce Phase 3/4 dau drumul la lib/) + badge pe firma profile.
2. **Recipe** (30 min): adaugă `firmeDatorniceCuContracteSeap` în recipes.ts.
3. **Live scraper cu captcha solver** (3-4h): integrare 2captcha în
   `scrapeAnafLive()` + cron lunar pentru trimestrul curent.
4. **Backfill istoric** (variabil): dacă găsim arhive (archive.org / partner)
   ingerăm trimestru-cu-trimestru. Schemă deja suportă (PK = cui+pub_date).
5. **Lista albă scrape**: același endpoint cu CAPTCHA, 100x mai rar lookup
   (~50-100K firme curate per trimestru). Useful pentru contraste.

## Files

- Schema: `services/seap-scraper/sql/025_anaf_datornici.sql`
- Scraper: `services/seap-scraper/src/scrape-anaf-datornici.ts`
- Cron wrapper: `services/seap-scraper/cron/scrape-anaf-datornici.sh`
- This doc: `services/seap-scraper/ANAF-DATORNICI-RECIPES.md`