Como montar uma base de nomes de cidades do mundo
Eu passei uns três dias tentando juntar dados urbanos de cinco fontes diferentes. A gente sempre acha que é só baixar um CSV e começar a trabalhar, mas na prática você acaba gastando mais tempo limpando dados errados do que processando algo útil. O problema não é a falta de informação, é a bagunça que vem embutida. nome de cidades do mundo não é um arquivo único. Cada país usa convenções diferentes, e os nomes variam conforme a língua. Paris existe em português e inglês, mas Xangai vira Shanghai em chinês e em coreano. Se você está construindo uma lista global, precisa decidir desde o começo qual padrão vai adotar.
Onde encontrar os dados
A OpenStreetMap mantém uma camada geográfica bastante completa que você pode exportar via Overpass API. Eu uso um script simples que baixa todos os lugares classificados como city, town ou village e transforma em GeoJSON. O processo leva cerca de 40 minutos para toda a base mundial em uma conexão razoável, resultando em arquivos de 2 a 3 gigabytes. Tem também o GeoNames, que cobra uma taxa depois de um certo volume, mas a base gratuita já rende. O problema é que muitos entries chegam com ortografia inconsistente, acentos omitidos em algumas línguas e nomes duplicados quando a cidade tem mais de uma pronúncia registrada.
👉 Clique no botão abaixo para saber mais sobre o assunto!
O trabalho sujo de padronização
A parte que ninguém avisa é a normalização de caracteres. City population data vem em ASCII, UTF-8, às vezes em arquivos Windows-1252 que parecem normais até você tentar processar uma lista com polonês ou vietnamita. Eu já encontrei cidades portuguesas com o til representado por dois caracteres separados, o que quebrava qualquer sistema de busca por equals. Minha solução foirodar tudo pelo NFKC normalization do ICU library antes de salvar. Funciona para a maioria dos casos, mas ocasionalmente converte nomes compostos de forma errada. O melhor workaround que encontrei foi fazer um mapeamento manual de 47 cidades brasileiras que tinham grafias alteradas indevidamente. Gasta tempo no início, mas evita horas de debug depois.
Limitações reais
Nenhuma lista é completa. Territórios disputados aparecem com nomes diferentes conforme a fonte, e alguns países não compartilham dados abertos sobre cidades menores. A Rússia, por exemplo, tem uma base oficial que exclui nomes históricos de certas regiões. Se o seu projeto precisa cobrir essas áreas, você vai precisar cruzar com atlas impressos ou comprar acesso a bancos de dados pagos. Outro problema é a atualização. Mudanças de nome acontecem periodicamente. São Paulo já foi São Paulo das Distâncias, e Tiradentes já foi Vila Rica. A maioria dos bancos de dados não rastreia essas mudanças históricas, então se você precisa de dados temporais, tem que construir uma layer extra de versionamento.
Se o objetivo é só ter uma lista para validar endereços ou popular um dropdown, os dados gratuitos da OpenStreetMap resolvem. Se precisa de precisão governamental ou histórico, prepare-se para gastar mais tempo ou dinheiro com bases especializadas.
