Para começar, eu não criaria todas as classes de análise imediatamente. O ideal é definir primeiro as **classes básicas e estruturais do módulo `scanner`**. Elas formarão a base sobre a qual as análises específicas serão construídas.

Eu dividiria em quatro grupos:

1. Coordenação do processo.
2. Representação dos dados.
3. Contratos das análises.
4. Controle de execução e resultados.

# Estrutura básica inicial

```text
scanner/
├── __init__.py
│
├── coordenacao/
│   ├── __init__.py
│   ├── analisador_de_timeline.py
│   ├── pipeline_do_scanner.py
│   └── contexto_de_analise.py
│
├── contratos/
│   ├── __init__.py
│   └── analisador.py
│
├── modelos/
│   ├── __init__.py
│   ├── resultado_da_analise.py
│   ├── status_da_analise.py
│   └── erro_de_analise.py
│
└── configuracao/
    ├── __init__.py
    └── configuracao_do_scanner.py
```

A seguir está o papel detalhado de cada classe.

---

# 1. `AnalisadorDeTimeline`

Arquivo:

```text
scanner/coordenacao/analisador_de_timeline.py
```

## Papel principal

É a **classe de entrada do scanner**.

Ela representa o processo completo de análise de uma timeline. O restante do sistema deverá utilizar essa classe para iniciar uma análise, sem precisar conhecer todas as etapas internas.

## O que deve fazer

* Receber a timeline que será analisada.
* Receber as configurações do scanner.
* Receber ou montar o pipeline.
* Criar o contexto inicial.
* Iniciar a execução do pipeline.
* Acompanhar o status geral da análise.
* Retornar o resultado final.
* Permitir informar progresso.
* Permitir cancelamento futuro.
* Tratar falhas gerais do processo.
* Registrar informações gerais da execução.
* Identificar se a análise já foi realizada anteriormente.
* Permitir retomar uma análise interrompida, quando essa funcionalidade existir.

## O que não deve fazer

* Extrair áudio diretamente.
* Executar transcrição.
* Detectar cenas.
* Analisar imagens.
* Detectar retakes.
* Implementar chamadas para OpenCV, FFmpeg, Whisper ou APIs.
* Decidir quais trechos serão cortados.
* Alterar a timeline.

## Exemplo conceitual

```python
class AnalisadorDeTimeline:
    """Ponto de entrada para a análise completa de uma timeline."""

    def __init__(self, pipeline, configuracao):
        self.pipeline = pipeline
        self.configuracao = configuracao

    def analisar(self, timeline):
        """Inicia a análise da timeline e retorna o resultado."""
        contexto = ContextoDeAnalise(
            timeline=timeline,
            configuracao=self.configuracao
        )

        return self.pipeline.executar(contexto)
```

---

# 2. `PipelineDoScanner`

Arquivo:

```text
scanner/coordenacao/pipeline_do_scanner.py
```

## Papel principal

É a classe responsável por **controlar a ordem de execução das análises**.

Ela não sabe como cada análise funciona. Apenas sabe quais análises precisam ser executadas e em qual sequência.

## O que deve fazer

* Receber uma lista de análises.
* Executar as análises na ordem configurada.
* Entregar o contexto para cada análise.
* Atualizar o status da execução.
* Registrar a análise atualmente em execução.
* Registrar análises concluídas.
* Identificar falhas.
* Permitir interromper o processo.
* Permitir executar somente determinadas análises.
* Permitir ignorar análises opcionais.
* Permitir futuramente executar análises independentes em paralelo.
* Garantir que uma análise só seja executada quando suas dependências estiverem disponíveis.
* Retornar o contexto atualizado.

## Exemplo

```python
class PipelineDoScanner:
    """Executa as análises do scanner em uma ordem definida."""

    def __init__(self, analises):
        self.analises = analises

    def executar(self, contexto):
        """Executa todas as análises configuradas."""
        for analise in self.analises:
            contexto = analise.executar(contexto)

        return contexto
```

## O que não deve fazer

* Conhecer detalhes dos providers.
* Saber como o áudio é extraído.
* Saber como o Whisper funciona.
* Implementar algoritmos de detecção de cenas.
* Tomar decisões de edição.
* Manipular diretamente a timeline.

---

# 3. `ContextoDeAnalise`

Arquivo:

```text
scanner/coordenacao/contexto_de_analise.py
```

## Papel principal

É o objeto que **transporta os dados entre as análises**.

Cada análise recebe o mesmo contexto, lê os dados de que precisa e adiciona seus próprios resultados.

Ele evita que cada classe precise receber dezenas de parâmetros separados.

## O que deve armazenar

### Dados da origem

* Timeline analisada.
* Identificador da análise.
* Data e hora de início.
* Configuração utilizada.
* Versão do scanner.
* Identificador do projeto ou sequência.

### Dados descobertos

* Sequências.
* Faixas de vídeo.
* Faixas de áudio.
* Clipes.
* Arquivos relacionados.
* Relações entre áudio e vídeo.
* Elementos desativados.
* Elementos offline.

### Dados técnicos

* Metadados dos arquivos.
* Duração.
* Resolução.
* Taxa de quadros.
* Codecs.
* Timecodes.
* Informações de áudio.

### Dados processados

* Áudios extraídos.
* Quadros extraídos.
* Transcrições.
* Características visuais.
* Características de áudio.
* Cenas detectadas.
* Eventos detectados.
* Possíveis retakes.

### Controle da execução

* Status atual.
* Análise em execução.
* Análises concluídas.
* Erros.
* Avisos.
* Percentual de progresso.
* Tempo de execução.

## O que não deve fazer

* Executar análises.
* Chamar providers.
* Implementar algoritmos.
* Decidir cortes.
* Alterar a timeline.
* Fazer persistência diretamente.

## Exemplo

```python
class ContextoDeAnalise:
    """Armazena os dados compartilhados durante a análise."""

    def __init__(self, timeline, configuracao):
        self.timeline = timeline
        self.configuracao = configuracao

        self.clipes = []
        self.arquivos = []
        self.metadados = {}
        self.audios = {}
        self.quadros = {}
        self.transcricoes = {}
        self.cenas = []
        self.eventos = []
        self.retakes = []

        self.status = "nao_iniciada"
        self.analise_atual = None
        self.analises_concluidas = []
        self.erros = []
        self.avisos = []
```

---

# 4. `Analisador`

Arquivo:

```text
scanner/contratos/analisador.py
```

## Papel principal

É o **contrato comum das classes de análise**.

Ele define que toda análise precisa possuir um método padronizado, como `executar()`.

Não é uma análise concreta. É uma classe-base ou interface.

## O que deve definir

* Método `executar(contexto)`.
* Identificação da análise.
* Nome amigável.
* Dependências, quando necessário.
* Indicação se a análise é obrigatória ou opcional.
* Validação básica do contexto.
* Possibilidade de informar progresso.
* Possibilidade de verificar cancelamento.

## Exemplo

```python
from abc import ABC, abstractmethod


class Analisador(ABC):
    """Define o contrato comum das análises do scanner."""

    nome = "analisador"

    @abstractmethod
    def executar(self, contexto):
        """Executa a análise sobre o contexto."""
        raise NotImplementedError

    def validar_contexto(self, contexto):
        """Valida se o contexto possui os dados necessários."""
        return True
```

As classes específicas poderão seguir esse contrato:

```python
class DeteccaoDeCenas(Analisador):
    """Detecta cenas utilizando um provider especializado."""

    nome = "deteccao_de_cenas"

    def executar(self, contexto):
        """Executa a detecção de cenas."""
        return contexto
```

---

# 5. `ResultadoDaAnalise`

Arquivo:

```text
scanner/modelos/resultado_da_analise.py
```

## Papel principal

Representa o **resultado produzido por uma análise individual**.

Ele será útil para que o pipeline saiba se uma análise terminou corretamente, quais dados produziu e se houve problemas.

## O que deve armazenar

* Nome da análise.
* Status.
* Data e hora de início.
* Data e hora de término.
* Duração.
* Quantidade de itens processados.
* Quantidade de resultados produzidos.
* Avisos.
* Erros.
* Dados resumidos.
* Identificador da execução.

## Exemplo

```python
class ResultadoDaAnalise:
    """Representa o resultado de uma análise individual."""

    def __init__(self, nome, status="concluida"):
        self.nome = nome
        self.status = status
        self.inicio = None
        self.fim = None
        self.duracao = None
        self.itens_processados = 0
        self.resultados_produzidos = 0
        self.avisos = []
        self.erros = []
        self.dados = {}
```

## Exemplo de resultado

```json
{
  "nome": "deteccao_de_cenas",
  "status": "concluida",
  "itens_processados": 48,
  "resultados_produzidos": 17,
  "duracao": 12.4,
  "avisos": [],
  "erros": []
}
```

---

# 6. `StatusDaAnalise`

Arquivo:

```text
scanner/modelos/status_da_analise.py
```

## Papel principal

Centraliza os estados possíveis de uma análise.

Isso evita que cada classe utilize textos diferentes para representar o mesmo estado.

## Estados possíveis

```text
NAO_INICIADA
AGUARDANDO
EM_EXECUCAO
CONCLUIDA
CONCLUIDA_COM_AVISOS
FALHOU
CANCELADA
IGNORADA
```

## Exemplo

```python
from enum import Enum


class StatusDaAnalise(Enum):
    """Define os estados possíveis de uma análise."""

    NAO_INICIADA = "nao_iniciada"
    AGUARDANDO = "aguardando"
    EM_EXECUCAO = "em_execucao"
    CONCLUIDA = "concluida"
    CONCLUIDA_COM_AVISOS = "concluida_com_avisos"
    FALHOU = "falhou"
    CANCELADA = "cancelada"
    IGNORADA = "ignorada"
```

---

# 7. `ErroDeAnalise`

Arquivo:

```text
scanner/modelos/erro_de_analise.py
```

## Papel principal

Representa erros ocorridos durante o processo de análise de maneira estruturada.

Em vez de armazenar apenas uma mensagem solta, o sistema poderá saber exatamente onde e por que o erro aconteceu.

## O que deve armazenar

* Nome da análise.
* Código do erro.
* Mensagem.
* Detalhes técnicos.
* Arquivo relacionado.
* Clipe relacionado.
* Provider envolvido.
* Data e hora.
* Indicação se o erro interrompe o pipeline.
* Sugestão de recuperação, quando possível.

## Exemplo

```python
class ErroDeAnalise:
    """Representa um erro ocorrido durante uma análise."""

    def __init__(
        self,
        mensagem,
        codigo=None,
        nome_da_analise=None,
        arquivo=None,
        interrompe_pipeline=False
    ):
        self.mensagem = mensagem
        self.codigo = codigo
        self.nome_da_analise = nome_da_analise
        self.arquivo = arquivo
        self.interrompe_pipeline = interrompe_pipeline
```

---

# 8. `ConfiguracaoDoScanner`

Arquivo:

```text
scanner/configuracao/configuracao_do_scanner.py
```

## Papel principal

Armazena as configurações que controlam como o scanner deverá funcionar.

Ela não deve conter regras específicas de um provider. As configurações dos providers podem ficar em seus próprios módulos.

## O que deve controlar

* Quais análises serão executadas.
* Ordem das análises.
* Análises obrigatórias.
* Análises opcionais.
* Uso de cache.
* Uso de arquivos temporários.
* Diretório de trabalho.
* Nível de detalhamento.
* Quantidade de quadros extraídos.
* Intervalo de amostragem.
* Limite de duração.
* Execução paralela.
* Comportamento diante de erros.
* Persistência automática.
* Retomada de análise.
* Nível de logging.

## Exemplo

```python
class ConfiguracaoDoScanner:
    """Define as configurações gerais do scanner."""

    def __init__(self):
        self.executar_transcricao = True
        self.executar_analise_visual = True
        self.executar_deteccao_de_cenas = True
        self.executar_deteccao_de_retakes = True
        self.usar_cache = True
        self.continuar_em_caso_de_erro = True
        self.salvar_resultados_automaticamente = True
```

---

# Como essas classes se relacionam

```text
AnalisadorDeTimeline
        ↓
PipelineDoScanner
        ↓
Analisador
        ↓
Classes específicas de análise
        ↓
ContextoDeAnalise
        ↓
ResultadoDaAnalise
```

A configuração controla o comportamento:

```text
ConfiguracaoDoScanner
        ↓
AnalisadorDeTimeline
        ↓
PipelineDoScanner
```

E os erros são registrados durante a execução:

```text
Classe de análise
        ↓
ErroDeAnalise
        ↓
ContextoDeAnalise
        ↓
ResultadoDaAnalise
```

# Fluxo de execução

```text
1. AnalisadorDeTimeline recebe a timeline.
2. Cria o ContextoDeAnalise.
3. Carrega a ConfiguracaoDoScanner.
4. Monta o PipelineDoScanner.
5. O pipeline executa cada Analisador.
6. Cada análise lê e atualiza o contexto.
7. Cada análise produz um ResultadoDaAnalise.
8. Erros e avisos são registrados.
9. O contexto final é retornado.
10. O resultado poderá ser salvo pelo módulo de persistência.
```

# Classes que eu criaria primeiro

Para a primeira implementação, começaria somente com estas:

```text
scanner/
├── coordenacao/
│   ├── analisador_de_timeline.py
│   ├── pipeline_do_scanner.py
│   └── contexto_de_analise.py
│
├── contratos/
│   └── analisador.py
│
└── modelos/
    ├── resultado_da_analise.py
    └── status_da_analise.py
```

Depois acrescentaria:

```text
ErroDeAnalise
ConfiguracaoDoScanner
```

E somente então começaria a implementar as análises concretas:

```text
DescobertaDaTimeline
DescobertaDeClipes
DescobertaDeArquivos
ExtracaoDeMetadados
ExtracaoDeAudio
TranscricaoDeAudio
ExtracaoDeQuadros
AnaliseVisual
AnaliseDeAudio
DeteccaoDeCenas
DeteccaoDeEventos
DeteccaoDeRetakes
PersistenciaDaAnalise
```

A ideia central é:

> **As classes básicas não analisam o vídeo diretamente. Elas criam a estrutura que permite que todas as análises funcionem de forma organizada, substituível, testável e independente dos providers.**