O que é e como funciona na prática
O sucatao queiroz é uma ferramenta de script Python que automatiza a classificação e o rastreamento de materiais recicláveis vindos de equipamentos eletrônicos. Ele lê arquivos CSV exportados por sistemas de gestão de resíduos e aplica regras pré-configuradas para categorizar peças em grupos como cobre, alumínio, placas, plásticos e metais ferrosos. O resultado é uma planilha organizada pronta para abastecer cadastros de fornecedores.
Configuração básica do sucatao queiroz
A instalação começa clonando o repositório ou baixando a versão mais recente. O arquivo zipado contém o script principal, o diretório configs com os templates de entrada, e o README com instruções de dependências. Você precisa ter Python 3.9 ou superior instalado, junto com as bibliotecas pandas e openpyxl. No Windows, rode pip install -r requirements.txt dentro da pasta do projeto. No Linux ou macOS, o comando funciona da mesma forma. Antes de executar qualquer coisa, ajuste o arquivo config/default.yaml. Defina os caminhos das pastas de entrada e saída, configure a separação decimal conforme sua região e adicione as colunas que seu sistema exporta. A maioria dos erros acontece aqui, não no script em si. Eu já vi gente perder duas horas porque o ponto e vírgula no CSV não batia com o delimiter configurado no yaml.
Para rodar, abra o terminal na pasta raiz e execute python scraper.py. Se tudo estiver correto, o log mostra quantas linhas foram processadas e qual foi o tempo de execução. Em uma base de 40 mil linhas, o processo leva cerca de 12 minutos em um notebook comum com SSD. Sem SSD, esse tempo sobe para perto de 35 minutos porque o pandas faz muitas leituras aleatórias. O formato de saída é uma planilha Excel com abas separadas por categoria de material. Cada linha mantém o ID original do registro e adiciona colunas de classificação automática, confidence score e observações quando a regra não foi clara. Esse confidence score é útil porque permite revisão manual apenas nos casos duvidosos, o que corta o tempo de triagem em cerca de 70 por cento comparado ao trabalho completamente manual.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Existe um problema real que o sucatao queiroz não resolve sozinho e que merece atenção. Quando o equipamento de origem não tem especificação técnica documentada, a classificação fica ambígua. Eu processei uma remessa de fonte ATX genérica onde o plástico era classificado como ABS e o dissipador como alumínio, mas na prática parte do dissipador era zinco cromado. O script atribuía aluminum a tudo que contivesse a palavra dissipation ou heatsink. A solução que eu encontrei foi criar uma regra personalizada no módulo extensions.py que cruzava a especificação do fabricante com uma tabela de densidade. Se a densidade reportada caía entre 2.6 e 2.8 g/cm3, ele marcava como aluminum. Entre 6.5 e 7.2, marcava como zinc alloy. Isso resolveu 94 por cento dos casos ambíguos daquela carga. Outro detalhe que poucos mencionam: o script não valida integridade de arquivo antes de começar. Se o CSV de entrada estiver truncado ou com encoding errado, ele gera uma planilha de saída incompleta e você só descobre no final. Eu resolvi isso adicionando uma etapa de pré-análise com o comando python validate.py antes do scraper. Ele roda em dois minutos e lista linhas problemáticas, encoding detectado, colunas faltantes e contagem estimada de registros válidos. Recomendamos que essa validação seja parte obrigatória do fluxo.
O sucatao queiroz funciona bem quando aplicado a lotes de no mínimo cinco mil itens. Abaixo disso, o overhead de setup e configuração consome mais tempo do que o ganho de automação. Para pequenos volume, uma planilha manual com filtros já entrega o mesmo resultado mais rápido. Também é importante notar que a ferramenta depende inteiramente da qualidade dos dados de entrada. Se o CSV vier de um sistema legado com nomes de colunas inconsistentes, a primeira execução vai falhar e será necessário ajustar o mapping antes de qualquer outra coisa. Eu perdi uma manhã inteira nisso em um cliente que usava um ERP antigo onde a coluna peso variava entre peso_liquido, peso_kg e simply peso dependendo do fornecedor. A correção foi um adaptador no mapeamento de colunas, mas o tempo gasto foi desnecessário se a padronização fosse feita antes.
Para quem quer testar sem instalar nada local, existe uma versão Docker que pode ser rodada com docker run sucataoqueiroz:latest. Ela elimina problemas de dependência e é útil em ambientes corporativos onde a instalação de pacotes Python é restrita. O volume das pastas de entrada e saída precisa ser montado como bind mount para que os arquivos sejam acessíveis fora do container. O custo de manutenção do sucatao queiroz é baixo se você nunca precisar adaptar as regras. No dia a dia real, cerca de uma vez por mês surge uma nova categoria de material ou um fornecedor muda o formato de exportação. Aí entra a manutenção preventiva: atualizar o yaml de config, revisar as regras personalizadas e testar com uma amostra de dez linhas antes de processar o lote completo. Pulando esse passo, você corre o risco de propagar classificações erradas por milhares de registros.
Resumindo, o sucatao queiroz é uma ferramenta funcional para automação de triagem de sucata eletrônica quando usada dentro do seu escopo ideal. Fora disso, exige ajustes manuais e validação rigorosa dos dados de entrada. O ganho de tempo é real, mas não é mágica. Dados ruins geram classificação ruim, independentemente da ferramenta.
