feat: add proper README

README.md

@@ -1,66 +1,121 @@
-# Table extraction from scrolling video
+# Extração de Tabelas de Vídeo com Scroll
 
-Extract a table from a screen-recorded video: sample frames, OCR (Portuguese), align to column/row bounds from an SVG template, then merge and deduplicate into one CSV.
+Sistema automatizado para extrair tabelas de vídeos de gravação de tela que contêm tabelas com scroll vertical. Utiliza OCR em português, alinhamento baseado em template SVG e mesclagem inteligente para gerar um CSV final deduplicado.
 
-## Inputs
+## Visão Geral
 
-| File | Role |
+Este projeto processa vídeos de gravação de tela que contêm tabelas com scroll, extraindo os dados através de:
-|------|------|
-| `video-data.webm` | Source video (scroll-down table). |
-| `template.svg` | Annotation: rectangles under the image = column bounds; 28 rows. |
 
-## Outputs
+1. **Amostragem de frames**: Extrai frames do vídeo em intervalos regulares
+2. **OCR**: Reconhece texto em português em cada frame
+3. **Alinhamento**: Usa um template SVG para identificar colunas e linhas
+4. **Correção heurística**: Aplica correções automáticas nos dados extraídos
+5. **Mesclagem e deduplicação**: Combina todos os frames e remove duplicatas
 
-| File / dir | Role |
+## Requisitos
-|------------|------|
-| `result.csv` | Final table: 6 columns (Concessionária, Código, Rodovia/UF, km inicial, km final, Extensão), one row per segment, deduplicated. |
-| `frames/` | Working: one PNG and one CSV per sampled frame (e.g. 0, 10, 20, …). |
-| `llm-fixed-frames/` | Optional: copy of frame CSVs after manual/LLM fixes; sew from here instead of `frames/` if used. |
 
-## Run (same chore again)
+- Python 3
+- OpenCV (opencv4)
+- NumPy
+- Tesseract OCR (com suporte a português)
+- FFmpeg
+- Nix (para ambiente isolado, opcional)
 
-**Fully automated (extract → fix → sew → result):**
+## Estrutura do Projeto
+
+### Arquivos de Entrada
+
+| Arquivo | Descrição |
+|---------|-----------|
+| `video-data.webm` | Vídeo fonte contendo a tabela com scroll vertical |
+| `template.svg` | Template de anotação: retângulos vermelhos definem as colunas (6 colunas), retângulos azuis definem as linhas (28 linhas) |
+
+### Arquivos de Saída
+
+| Arquivo/Diretório | Descrição |
+|-------------------|-----------|
+| `result.csv` | Tabela final com 6 colunas: Concessionária, Código, Rodovia/UF, km inicial, km final, Extensão. Uma linha por segmento, deduplicada. |
+| `frames/` | Diretório de trabalho: contém um PNG e um CSV por frame amostrado (ex: 0, 10, 20, 30, ...) |
+| `llm-fixed-frames/` | Diretório opcional: cópias dos CSVs dos frames após correções manuais ou via LLM. Use este diretório como entrada para `sew_csvs.py` se fizer correções manuais |
+
+## Uso Rápido
+
+### Execução Automatizada Completa
+
+Para executar todo o pipeline (extração → correção → mesclagem → resultado):
 
 ```bash
 nix-shell -p python3 python3Packages.opencv4 python3Packages.numpy python3Packages.pytesseract tesseract ffmpeg --run "./run.sh"
 ```
 
-Or with custom video / output dir:
+Ou com vídeo e diretório de saída customizados:
 
 ```bash
-./run.sh path/to/video.webm my_frames
+./run.sh caminho/para/video.webm meu_diretorio_frames
-# result.csv is still written at project root
+# result.csv será escrito na raiz do projeto
 ```
 
-**If you do manual fixes:** copy `frames/*.csv` into `llm-fixed-frames/`, edit CSVs, then:
+### Fluxo com Correções Manuais
 
-```bash
+Se você precisar corrigir manualmente os CSVs extraídos:
-python3 sew_csvs.py llm-fixed-frames result.csv
-```
 
-## Scripts (keep)
+1. Copie os CSVs do diretório `frames/` para `llm-fixed-frames/`:
+   ```bash
+   cp frames/*.csv llm-fixed-frames/
+   ```
 
-| Script | Role |
+2. Edite os arquivos CSV em `llm-fixed-frames/` conforme necessário
-|--------|------|
-| `extract_frames_and_tables.py` | Sample video every N frames → PNGs; OCR (por) + SVG column/row bounds → one CSV per frame. |
-| `fix_all_csvs.py` | Heuristic fixes on frame CSVs (strip, E→-, pipe→space, extensão from km). |
-| `sew_csvs.py` | Merge frame CSVs in order, remove boundary overlap, deduplicate full rows, write result. |
-| `svg_columns.py` | Parse column/row rectangles from template.svg. |
-| `assign_cells.py` | Map word boxes to (col, row); merge cell text (col1 no space, others space). |
-| `clean_csv_heuristics.py` | Per-row cleanup and extensão correction (used by fix_all_csvs). |
-| `row_eq.py` | Row equality for sewing. |
 
-## Not kept (removed)
+3. Execute apenas a mesclagem usando o diretório corrigido:
+   ```bash
+   python3 sew_csvs.py llm-fixed-frames result.csv
+   ```
 
-- `extract_table_frames.py` – superseded by `extract_frames_and_tables.py`.
+## Scripts do Projeto
-- `extract_every_n_frames.py` – logic folded into `extract_frames_and_tables.py`.
-- `sewn.csv` – superseded by `result.csv` (sew now writes result.csv and dedupes).
 
-## Clean re-run
+### Scripts Principais
 
-To start from scratch:
+| Script | Função |
+|--------|--------|
+| `extract_frames_and_tables.py` | Extrai frames do vídeo a cada N frames, salva como PNG, executa OCR em português, alinha texto às colunas/linhas do template SVG e gera um CSV por frame |
+| `fix_all_csvs.py` | Aplica correções heurísticas nos CSVs dos frames: remove espaços, converte "E" em "-", substitui pipes por espaços, calcula extensão a partir dos km |
+| `sew_csvs.py` | Mescla os CSVs dos frames em ordem, remove sobreposição nas bordas, deduplica linhas completas e escreve o resultado final |
 
-- Delete or clear `frames/` and optionally `llm-fixed-frames/`.
+### Scripts Auxiliares
-- Run `./run.sh` (or the manual-fix flow above).
 
-`result.csv` is overwritten each run.
+| Script | Função |
+|--------|--------|
+| `svg_columns.py` | Parse dos retângulos de colunas e linhas do `template.svg` |
+| `assign_cells.py` | Mapeia caixas de palavras para células (col, row); mescla texto das células (col1 sem espaço, outras com espaço) |
+| `clean_csv_heuristics.py` | Limpeza por linha e correção de extensão (usado por `fix_all_csvs.py`) |
+| `row_eq.py` | Função de igualdade de linhas para a mesclagem |
+
+## Fluxo de Processamento
+
+O pipeline completo segue estas etapas:
+
+1. **Extração de Frames**: `extract_frames_and_tables.py` amostra o vídeo a cada 10 frames (padrão) e salva como PNG
+2. **OCR e Alinhamento**: Para cada frame, executa OCR em português e alinha o texto às colunas/linhas definidas no `template.svg`
+3. **Correção Heurística**: `fix_all_csvs.py` aplica correções automáticas nos dados extraídos
+4. **Mesclagem**: `sew_csvs.py` combina todos os CSVs, remove sobreposições e deduplica linhas completas
+5. **Resultado Final**: Gera `result.csv` com todos os dados consolidados
+
+## Reiniciar do Zero
+
+Para executar uma nova extração do zero:
+
+1. Delete ou limpe os diretórios `frames/` e `llm-fixed-frames/` (se existirem)
+2. Execute `./run.sh` (ou o fluxo de correção manual descrito acima)
+
+**Nota**: `result.csv` é sobrescrito a cada execução.
+
+## Estrutura das Colunas
+
+O CSV final contém 6 colunas:
+
+- **Concessionária**: Nome da concessionária
+- **Código**: Código identificador
+- **Rodovia/UF**: Rodovia e estado
+- **km inicial**: Quilômetro inicial do segmento
+- **km final**: Quilômetro final do segmento
+- **Extensão**: Extensão calculada (km final - km inicial)