Data Dictionary

Dataset — Vagas de Emprego Brasil

Documentação técnica dos campos, tipos, cobertura e metodologia de coleta do dataset de vagas de emprego brasileiro.

Versão 6 · Atualização semanal · Cobertura medida em 15/09/2026

178.685

Vagas únicas

Portais

Estados + DF

Campos

Todos os percentuais de cobertura desta página foram medidos diretamente sobre o dataset completo em 9 de setembro de 2026. Os valores oscilam entre ciclos de coleta conforme a composição das vagas publicadas; variações de poucos pontos percentuais são esperadas.

Campos do Dataset

Identificação

Campo	Tipo	Descrição	Cobertura
id_global	string	Hash MD5 de `titulo\|empresa\|cidade\|fonte` em minúsculas, separados por barra vertical. Chave primária do dataset. Ver a seção Deduplicação para a nota sobre reprodutibilidade."a3f7bc1d2e8f9a4b6c3d5e7f8a9b0c1d"	100%
id_original	string	Identificador da vaga no portal de origem, preservado sem alteração. Único apenas dentro de cada `fonte`."36780542"	100%
url	string	URL canônica da vaga no portal de origem."https://empresa.gupy.io/jobs/12345"	100%
fonte	string	Identificador do portal de origem. Valores: `gupy`, `programathor`, `catho`, `ciee`, `empregos`, `trabalhabrasil`, `solides`, `infojobs`, `pcd`, `geekhunter`, `bne`, `divulgavagas`, `trampos`, `empregando`, `remotar`, `ciatalentos`	100%

Vaga

Campo	Tipo	Descrição	Cobertura
titulo	string	Título da vaga como publicado pelo empregador. Preservado sem normalização para manter fidelidade ao dado original."Analista de Dados Sênior"	100%
descricao	string	Descrição da vaga, truncada em 500 caracteres. Cerca de 79% dos registros atingem esse limite — para o texto completo, use a `url`. String vazia quando o portal não publica descrição.	99,5%
tipo_contrato	string	Regime de contratação, normalizado entre portais. Valores: `CLT`, `PJ`, `Estágio`, `Aprendiz`, `Temporário`, `Banco de Talentos`, `Autônomo`, `Associado`, `Trainee`, `Freelancer`, `Terceirizado`, `Parceiro`, `Cooperado`, `Intermitente`, `Voluntário`. String vazia quando o portal não informa.	83,2%
modalidade	string	Modalidade de trabalho. Valores restritos a `Presencial`, `Remoto` e `Hibrido`. Valores não reconhecidos são descartados em vez de propagados, o que reduz a cobertura mas garante que todo valor presente é semanticamente válido.	87,6%
empresa	string	Nome da empresa empregadora, como publicado. Não normalizado entre portais — o mesmo grupo pode aparecer com grafias diferentes. String vazia em vagas confidenciais ou quando o portal oculta o empregador."Grupo Fleury"	72,3%
area	string	Área de atuação conforme categorização do portal de origem. A cobertura saltou de menos de 1% para 24,5% com a entrada da Sólides, que publica o campo de forma consistente. Ainda não há normalização entre portais: a mesma área pode aparecer com nomes diferentes conforme a fonte.	24,8%
salario	float \| null	Valor de salário em BRL, normalizado para número. Aceito apenas na faixa de R$ 300 a R$ 30.000; valores fora dela são tratados como `null`. Ver a Nota sobre Salário antes de usar.2472.72	14,1%
salario_min	float \| null	Limite inferior da faixa salarial. Atualmente idêntico a `salario`, pois nenhuma fonte publica faixa — o campo existe para compatibilidade com fontes futuras que a forneçam.2472.72	14,3%
salario_max	float \| null	Limite superior da faixa salarial. Atualmente idêntico a `salario`. Ver observação em `salario_min`.2472.72	16,9%
tipo_empregador	enum	Distingue quem contrata para si (`direto`) de quem intermedeia (`agencia`). Agências de RH publicam vagas de clientes: sem essa separação, o saldo de contratação por empregador fica distorcido. A lista de agências é curada, não derivada de palavra-chave — nome ambíguo é classificado como direto."direto"	82,0%
cnpj	string · 8 dígitos	CNPJ básico do empregador, obtido por correspondência com a base pública da Receita Federal. São os 8 primeiros dígitos, que identificam a empresa independentemente da filial."77941490"	54,3%
cnae	string · 7 dígitos	Código CNAE da atividade principal do estabelecimento. Permite cruzar com o CAGED, que também é organizado por CNAE."4753900"	54,3%
cnae_descricao	string	Descrição oficial do código CNAE, conforme a tabela da Receita."Comércio varejista especializado de eletrodomésticos"	54,3%
porte_empresa	enum	Porte declarado à Receita: `Micro empresa`, `Empresa de pequeno porte` ou `Demais`. Note que "Demais" agrupa tudo acima de pequeno porte, sem distinguir média de grande."Demais"	54,3%
uf_sede	UF · 2 chars	UF do estabelecimento correspondente na Receita. Pode diferir de `estado`, que é onde a vaga está — uma empresa sediada em SP contrata em MG."PR"	54,2%
confianca_cnpj	enum	`alta`: nome idêntico ao registro da Receita, candidato único. `media`: correspondência por prefixo ou nome truncado, desempatada pela UF onde a empresa publica. `media_llm`: vários candidatos plausíveis, desempatados por modelo de linguagem a partir dos cargos anunciados e da distribuição geográfica. Filtre por `alta` se precisar de certeza."alta"	54,3%

Localização

Campo	Tipo	Descrição	Cobertura
cidade	string	Nome do município como informado pelo portal de origem. Não normalizado — podem ocorrer variações ortográficas. O dataset cobre 4.405 municípios distintos."São Paulo", "Belo Horizonte"	89,1%
estado	string	Sigla da unidade federativa em maiúsculas. Inferida por correspondência com a base de municípios do IBGE quando o portal não a fornece diretamente. As 27 UFs estão representadas. String vazia quando não foi possível determinar."SP", "MG", "RJ"	89,5%

Metadados temporais

Campo	Tipo	Descrição	Cobertura
coletado_em	string (YYYY-MM-DD)	Data em que a vaga foi coletada pela primeira vez. Formato de data, sem componente de hora."2026-08-31"	100%
ultima_vez_visto	string (YYYY-MM-DD)	Data do ciclo de coleta mais recente em que a vaga foi processada."2026-08-31"	100%
status	string	Status de atividade da vaga. Valores: `ativa`, `inativa`. Uma vaga é marcada como inativa após 3 dias sem aparecer em nenhum portal. Na entrega atual, todos os registros do dataset são `ativa`.	100%

Exemplo de Registro

{
  "id_global": "d425be13f2f775cba859f132115d8eb6",
  "id_original": "36780542",
  "titulo": "Analista de Dados Sênior",
  "empresa": "Grupo Fleury",
  "cidade": "São Paulo",
  "estado": "SP",
  "area": "",
  "tipo_contrato": "CLT",
  "modalidade": "Hibrido",
  "salario": null,
  "descricao": "Buscamos profissional com experiência em Python, SQL e ferramentas de BI...",
  "url": "https://grupofleury.gupy.io/jobs/12345",
  "fonte": "gupy",
  "coletado_em": "2026-08-31",
  "ultima_vez_visto": "2026-08-31",
  "status": "ativa",
  "salario_min": null,
  "salario_max": null
}

Todos os 25 campos estão sempre presentes em todo registro. Campos de texto sem valor são entregues como string vazia (""); campos numéricos sem valor, como null. Nenhuma chave é omitida.

Deduplicação

A deduplicação é realizada de forma global entre todos os portais, não apenas dentro de cada fonte. O dataset entregue não contém id_global repetido.

Chave primária: MD5( titulo + "|" + empresa + "|" + cidade + "|" + fonte ), com a string inteira convertida para minúsculas.

Chave secundária: ( fonte, url ). Alguns portais permitem que unidades de um mesmo grupo mantenham cadastros distintos apontando para o mesmo anúncio. Nesses casos o nome da empresa varia entre as cópias e a chave primária não as reconhece como duplicatas — a URL, que carrega o identificador da vaga na origem, resolve.

O campo fonte integra a chave para preservar a procedência quando a mesma vaga é publicada em portais diferentes.

Nota de reprodutibilidade. O id_global é calculado antes da etapa de inferência geográfica, que pode reescrever o campo cidade a partir da base do IBGE. Por isso, recalcular o hash usando o valor de cidade presente no registro entregue nem sempre reproduz o id_global original. Trate o campo como identificador opaco: ele é estável e único, mas não deve ser recomputado a partir do registro final.

Portais e Cobertura

Portal	Volume	Técnica	Salário	Diferencial
Gupy	71.109	API REST	—	Maior volume, 4 mil+ empresas
Sólides	60.938	API REST	28,6%	Interior e PME, campo de área preenchido
Programathor	16.397	HTML	31,3%	Tecnologia, faixa salarial declarada
Catho	7.492	JSON-LD	—	Ampla gama de setores
CIEE	4.699	API REST	94,0%	Estágio, aprendiz e PCD
Empregos.com.br	4.617	JSON-LD	0,2%	Cobertura nacional generalista
BNE	4.021	API REST	—	Banco Nacional de Empregos
Trabalha Brasil	2.726	JSON-LD	98,4%	Maior cobertura de salário
InfoJobs	1.540	JSON-LD	—	86 cidades, interior MG/SP
PCD.com.br	767	JSON-LD	41,7%	Exclusivo pessoas com deficiência
GeekHunter	255	Playwright	—	Tecnologia, perfil sênior
DivulgaVagas	254	JSON-LD	50,0%	Vagas regionais
Trampos.co	246	API REST	—	Criativo e comunicação
Empregando Brasil	232	JSON-LD	—	Vagas regionais
Remotar	55	Playwright	—	Vagas 100% remotas
CiaDeTalentos	34	API POST	—	Programas trainee e estágio

Volumes medidos em 15/09/2026, após deduplicação global por identificador e por URL. A composição por portal varia a cada ciclo semanal. Novas fontes são incorporadas periodicamente — a lista atualizada e os volumes correntes estão disponíveis no endpoint /stats da API.

Nota sobre Salário

Leia antes de usar o campo salário para análise. A cobertura de 14,2% não é uma amostra aleatória do dataset: concentra-se em seis fontes — Trabalha Brasil (98,4%), CIEE (94,0%), DivulgaVagas (50,0%), PCD.com.br (41,7%), Programathor (31,3%) e Sólides (28,6%) — enquanto o Gupy, responsável por 41% do volume, não publica remuneração em nenhum registro. A distribuição resultante tem mediana de R$ 1.958, primeiro quartil em R$ 1.525 e terceiro em R$ 2.541. Esses valores descrevem as fontes que publicam salário, não o mercado de trabalho brasileiro como um todo.

Essa limitação reflete a prática do mercado: a maioria dos portais brasileiros não exige a divulgação de remuneração, e ampliar o volume de vagas coletadas não corrige o viés.

Para análise salarial representativa, recomendamos o endpoint /analises/caged/movimentacao, que fornece salário médio de admissão por UF e por setor com base no CAGED/MTE — dado oficial, censitário e sem o viés de composição descrito acima.

Atualização

O dataset é atualizado toda segunda-feira, com coleta completa de todos os portais. O ciclo leva aproximadamente 7 horas e inclui:

Coleta de vagas em todos os portais ativos
Normalização de tipo de contrato e modalidade entre fontes
Deduplicação global por MD5
Inferência de UF via base de municípios do IBGE
Reconciliação de vagas ativas e inativas
Atualização das análises institucionais (CAGED, PNAD, Banco Central)

Formatos de entrega: JSON e CSV, ambos com os 25 campos descritos acima, e API REST para consulta programática.

Contato Técnico

Correspondência com a base de CNPJ

Os campos cnpj, cnae, porte_empresa e uf_sede vêm dos dados abertos da Receita Federal, na cópia de agosto de 2026 — 69,5 milhões de empresas e 28,1 milhões de estabelecimentos ativos.

O portal de vagas publica o nome comercial ("Gazin"); a Receita registra a razão social ("GAZIN INDÚSTRIA E COMÉRCIO DE MÓVEIS E ELETRODOMÉSTICOS LTDA"). A correspondência entre os dois é feita em camadas: nome fantasia idêntico, razão social idêntica, razão que começa com o nome, e — para os casos com vários candidatos plausíveis — desempate por modelo de linguagem, que recebe os candidatos, os cargos anunciados e a distribuição geográfica das vagas.

Quando há ambiguidade que nenhum critério resolve, o campo fica vazio. Não atribuímos CNPJ por aproximação sem declará-lo: o campo confianca_cnpj existe para que você possa filtrar apenas as correspondências exatas.

Limitações conhecidas: empresas registradas sob razão social que não contém o nome comercial (Rede D'Or, Sicredi) não são encontradas por busca de nome. Homônimos genuínos — empresas distintas com o mesmo nome fantasia — ficam sem correspondência em vez de receber a errada.

Dúvidas sobre o schema, campos ou metodologia: contato@datumbr.com