Add FAQ article.

.Rbuildignore

@@ -11,3 +11,4 @@ README.md
 ^_pkgdown\.yml$
 ^docs$
 ^pkgdown$
+^vignettes/articles$

DESCRIPTION

@@ -30,3 +30,4 @@ Suggests:
 Config/testthat/edition: 3
 Depends: 
     R (>= 2.10)
+Config/Needs/website: rmarkdown

vignettes/.gitignore

@@ -0,0 +1,2 @@
+*.html
+*.R

vignettes/articles/FAQ.Rmd

@@ -0,0 +1,104 @@
+---
+title: "FAQ"
+---
+
+```{r, include = FALSE}
+knitr::opts_chunk$set(
+  collapse = TRUE,
+  comment = "#>"
+)
+```
+
+```{r setup}
+library(microdatasus)
+```
+
+## Download timeout
+
+Por padrão, o R espera que um arquivo seja baixado em até 60 segundos. Ao baixar algum arquivo muito grande ou com uma conexão com a Internet lenta, o tempo necessário para download será maior. Neste caso, você verá uma mensagem de *warning* semelhante a esta:
+
+```         
+1: In utils::download.file(file, temp, mode = "wb", method = "libcurl") :
+  downloaded length 12260742 != reported length 30474112
+2: In utils::download.file(file, temp, mode = "wb", method = "libcurl") :
+  URL 'ftp://ftp.datasus.gov.br/dissemin/publicos/SINAN/DADOS/FINAIS/DENGBR10.dbc': Timeout of 60 seconds was reached
+```
+Para corrigir isto, é bem simples: aumente o tempo de tolerância do R para downloads. Exemplo: tolerância de 2 minutos.
+
+```{r}
+options(timeout = 120)
+```
+
+
+## Download de muitos dados
+
+O download dos dados através do pacote é realizado em memória. Isto significa que cada arquivo baixado do DataSUS é lido e armazenado na memória RAM do computador. Caso você esteja baixando muitos arquivos, para vários estados e anos, você irá precisar de mais memória RAM disponível.
+
+Um modo de contornar este problema é a realizar o download e armazenar os resultados em um banco de dados, como SQLite, DuckDB ou outro. Abaixo segue um exemplo de como fazer isso.
+
+### Pacotes
+
+```{r eval=FALSE}
+library(microdatasus)
+library(tidyverse)
+library(dbplyr)
+library(DBI)
+library(RSQLite)
+```
+
+### Cria conexão com o banco de dados 
+
+```{r eval=FALSE}
+conn <- dbConnect(RSQLite::SQLite(), "sih.SQLite")
+```
+
+
+
+### Realiza download e pré-processamento dos dados em loop
+
+```{r eval=FALSE}
+anos <- c(2019, 2020)
+meses <- 1:12
+ufs <- c("AC", "AL", "AP", "AM", "BA", "CE", "DF", "ES", 
+         "GO", "MA", "MT", "MS", "MG", "PA", "PB", "PR", "PE", 
+         "PI", "RJ", "RN", "RS", "RO", "RR", "SC", "SP", "SE", 
+         "TO")
+```
+
+```{r eval=FALSE}
+for(ano in anos){
+  for(mes in meses){
+    for(uf in ufs){
+      # Baixa o dado para um ano, mês e UF específico
+      tmp <- fetch_datasus(
+        year_start = ano, year_end = ano, 
+        month_start = mes, month_end = mes,
+        uf = uf, information_system = "SIH-RD"
+      )
+      
+      # Pré-processamento dos dados
+      tmp <- process_sih(data = tmp)
+      
+      # Escreve na tabela "sih" no banco de dados, 
+      # apensando os dados de cada ano e mês
+      dbWriteTable(conn = conn, name = "sih", value = tmp, append = TRUE)
+      
+      # Remove a tabela temporária
+      rm(tmp)
+    }
+  }
+}
+```
+
+
+### Exemplo de consulta ao banco de dados,
+
+Uma tabela de quantidade de registrosm, por sexo e causa básica
+
+```{r eval=FALSE}
+tbl(conn, "sih") %>%
+  group_by(SEXO, COMPLEX) %>%
+  summarise(freq = n()) %>%
+  ungroup() %>%
+  collect()
+```