brenoguim / cpi4all Goto Github PK
View Code? Open in Web Editor NEWRepositorio com arquivos processados da CPI da COVID para facilitar analise
License: MIT License
Repositorio com arquivos processados da CPI da COVID para facilitar analise
License: MIT License
Na tabela do site do senado existe uma coluna com descrição de cada arquivo, nomes e tudo mais. Esses dados estão todos coletados e guardados em database/rows
. Seria interessante mostrar nos resultados da pesquisa também.
O desenvolvimento vai ficar mais facil se tiver uma CI que a cada commit no "main", roda o "docs/generate_content.py" e cria um commit em outro branch só com o index.html. Assim o index.html nao tem que ser alterado manualmente a cada novo txt adicionado
Notei que o conversor de PDF para PNG funciona muito melhor que de PDF pra JPG. A tarefa aqui é ajustar o pdf2jpg para ser um pdf2png e rerodar o OCR.
Notei tambem que o switch -flatten
traz alguns problemas em arquivos com multiplas paginas. Elas ficam sobrepostas. Removendo esse switch, varios arquivos de imagem serão gerados (um pra cada pagina do documento). Será necessario ajustar os scripts para tratar documentos com multiplas paginas.
A pagina é criada pelo docs/generate_content.py
. É um python que gera o html/JS com todo o conteudo de todos os txts embutidos. Isso permite que nao seja necessario um server.
O layout parece de uma pagina de 1995. Qualquer melhoria na aparencia será muito bem-vinda.
Seria interessante prover um script pra quem quer apenas ajudar a rodar um OCR ou outro no tempo livre.
A pessoa clona o repositorio, roda esse script com o numero de OCRs que quer rodar, e o script ira baixar o PDF, converter pra imagem, converter pro txt.
O proprio script poderia abrir uma issue automaticamente (PR seria o ideal mas é mais burocratico para leigos)
Essa estatistica pode incentivar que as pessoas refaçam pesquisas quando notarem que a pagina foi melhorada.
Nesse projeto algumas dependencias são necessarias. Seria interessante rodar o fluxo e documentar todas as dependencias necessarias.
Como temos muitos arquivos, seria interessante usar algum software de dicionario pra medir a qualidade de cada conversão. Seria inclusive util para evitar regressões
É interessante ter algumas estatisticas sobre o resultado da pesquisa.
A declarative, efficient, and flexible JavaScript library for building user interfaces.
🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.
TypeScript is a superset of JavaScript that compiles to clean JavaScript output.
An Open Source Machine Learning Framework for Everyone
The Web framework for perfectionists with deadlines.
A PHP framework for web artisans
Bring data to life with SVG, Canvas and HTML. 📊📈🎉
JavaScript (JS) is a lightweight interpreted programming language with first-class functions.
Some thing interesting about web. New door for the world.
A server is a program made to process requests and deliver data to clients.
Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.
Some thing interesting about visualization, use data art
Some thing interesting about game, make everyone happy.
We are working to build community through open source technology. NB: members must have two-factor auth.
Open source projects and samples from Microsoft.
Google ❤️ Open Source for everyone.
Alibaba Open Source for everyone
Data-Driven Documents codes.
China tencent open source team.