app.py

import os
import cv2
import mediapipe as mp
import pandas as pd
import numpy as np
import logging
import subprocess
import tempfile
from flask import Flask, render_template, request, jsonify
from werkzeug.utils import secure_filename
import atexit
import shutil

# Configuración de logging
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)

# Inicializa la aplicación de Flask
app = Flask(__name__)

# Configuración de Flask
app.config['SECRET_KEY'] = 'facial-analyzer-demo-2024-super-secret-key-12345'
app.config['WTF_CSRF_ENABLED'] = False  # Deshabilitar CSRF para este ejemplo

# Configura las rutas para guardar los archivos temporales
UPLOAD_FOLDER = 'temp_files'
if not os.path.exists(UPLOAD_FOLDER):
    os.makedirs(UPLOAD_FOLDER)
app.config['UPLOAD_FOLDER'] = UPLOAD_FOLDER
app.config['MAX_CONTENT_LENGTH'] = 100 * 1024 * 1024  # 100MB max

# Inicializa MediaPipe Face Mesh
mp_face_mesh = mp.solutions.face_mesh
face_mesh = mp_face_mesh.FaceMesh(
    static_image_mode=False,
    max_num_faces=1,
    min_detection_confidence=0.5,
    min_tracking_confidence=0.5
)


def download_youtube_video(youtube_url, output_path):
    """
    Descarga video de YouTube usando múltiples métodos (PyTube, yt-dlp).

    Args:
        youtube_url (str): URL del video de YouTube.
        output_path (str): Carpeta donde guardar el video.

    Returns:
        tuple: (video_path, video_info) o (None, error_message).
    """
    logger.info(f"Intentando descargar: {youtube_url}")

    # Convertir URLs de Shorts a formato normal
    if '/shorts/' in youtube_url:
        video_id = youtube_url.split('/shorts/')[-1].split('?')[0]
        youtube_url = f"https://www.youtube.com/watch?v={video_id}"
        logger.info(f"Convertido de Shorts a: {youtube_url}")

    # Método 1: Intentar con PyTube
    try:
        # Intentar importar PyTube (múltiples versiones)
        try:
            from pytubefix import YouTube, exceptions
            logger.info("📦 Usando PyTubeFix")
        except ImportError:
            from pytube import YouTube, exceptions
            logger.info("📦 Usando PyTube estándar")

        logger.info("Probando método 1: PyTube")
        yt = YouTube(
            youtube_url,
            use_oauth=False,
            allow_oauth_cache=False
        )

        # Obtener información del video
        video_info = {
            'title': yt.title,
            'duration': yt.length,
            'author': yt.author
        }

        logger.info(f"Video encontrado: {video_info['title']} ({video_info['duration']}s)")

        # Obtener stream
        stream = None
        streams = yt.streams.filter(progressive=True, file_extension='mp4')
        if streams:
            stream = streams.order_by('resolution').desc().first()

        if not stream:
            streams = yt.streams.filter(adaptive=True, file_extension='mp4', only_video=True)
            if streams:
                stream = streams.order_by('resolution').desc().first()

        if not stream:
            raise Exception("No se encontraron streams compatibles")

        # Descargar
        video_id = yt.video_id
        safe_filename = secure_filename(f"{video_id}.mp4")
        video_path = os.path.join(output_path, safe_filename)

        stream.download(output_path=output_path, filename=safe_filename)

        if os.path.exists(video_path):
            logger.info("✅ Descarga exitosa con PyTube")
            return video_path, video_info
        else:
            raise Exception("Archivo no se creó correctamente")

    except Exception as e:
        logger.warning(f"PyTube falló: {e}")

    # Método 2: Intentar con yt-dlp (más robusto)
    try:
        logger.info("Probando método 2: yt-dlp")

        # Extraer ID del video para nombre de archivo
        if 'watch?v=' in youtube_url:
            video_id = youtube_url.split('watch?v=')[-1].split('&')[0]
        elif 'youtu.be/' in youtube_url:
            video_id = youtube_url.split('youtu.be/')[-1].split('?')[0]
        else:
            video_id = 'video'

        safe_filename = secure_filename(f"{video_id}.mp4")
        video_path = os.path.join(output_path, safe_filename)

        # Comando yt-dlp
        cmd = [
             'yt-dlp',
             '--format', 'mp4[height<=720]/best[height<=720]/best',
             '--output', video_path,
             '--no-playlist',
             youtube_url
        ]
        logger.info(f"Ejecutando: {' '.join(cmd)}")
        result = subprocess.run(cmd, capture_output=True, text=True, timeout=120)

        if result.returncode == 0 and os.path.exists(video_path):
            # Obtener información del video
            info_cmd = [
                'yt-dlp',
                '--print', 'title',
                '--print', 'duration',
                '--print', 'uploader',
                '--no-download',
                youtube_url
            ]

            info_result = subprocess.run(info_cmd, capture_output=True, text=True, timeout=30)

            if info_result.returncode == 0:
                lines = info_result.stdout.strip().split('\n')
                video_info = {
                    'title': lines[0] if len(lines) > 0 else 'Título desconocido',
                    'duration': int(float(lines[1])) if len(lines) > 1 and lines[1].replace('.', '').isdigit() else 0,
                    'author': lines[2] if len(lines) > 2 else 'Autor desconocido'
                }
            else:
                video_info = {
                    'title': 'Video de YouTube',
                    'duration': 0,
                    'author': 'Desconocido'
                }

            logger.info("✅ Descarga exitosa con yt-dlp")
            return video_path, video_info
        else:
            raise Exception(f"yt-dlp falló: {result.stderr}")

    except subprocess.TimeoutExpired:
        logger.warning("yt-dlp timeout")
    except FileNotFoundError:
        logger.warning("yt-dlp no está instalado")
    except Exception as e:
        logger.warning(f"yt-dlp falló: {e}")

    # Si todos los métodos fallan
    return None, "No se pudo descargar el video. Verifica que la URL sea correcta y el video sea público."


# Puntos clave específicos que necesitamos (optimización)
REQUIRED_LANDMARKS = {
    'mouth': [13, 14, 61, 291],
    'eyes': [386, 374, 362, 263],
    'head': [4, 152, 234, 454],
    'eyebrows': [107, 336, 17, 268]  # Añadimos puntos para cejas
}


def cleanup_temp_files():
    """Limpia archivos temporales al cerrar la aplicación."""
    if os.path.exists(UPLOAD_FOLDER):
        try:
            shutil.rmtree(UPLOAD_FOLDER)
            logger.info("Archivos temporales limpiados")
        except Exception as e:
            logger.error(f"Error limpiando archivos temporales: {e}")


atexit.register(cleanup_temp_files)


def get_video_info(video_path):
    """
    Obtiene información básica del video como FPS y duración.

    Args:
        video_path (str): Ruta al archivo de video.

    Returns:
        tuple: (fps, frame_count, duration)
    """
    cap = cv2.VideoCapture(video_path)
    if not cap.isOpened():
        return None, None, None

    fps = cap.get(cv2.CAP_PROP_FPS)
    frame_count = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))
    duration = frame_count / fps if fps > 0 else 0

    cap.release()
    return fps, frame_count, duration


def extract_required_landmarks(landmarks):
    """
    Extrae solo los landmarks necesarios para optimizar memoria.

    Args:
        landmarks: Landmarks de MediaPipe.

    Returns:
        dict: Diccionario con coordenadas de puntos específicos.
    """
    result = {}
    all_points = []
    for category, indices in REQUIRED_LANDMARKS.items():
        all_points.extend(indices)

    for i in all_points:
        if i < len(landmarks.landmark):
            landmark = landmarks.landmark[i]
            result[f'x_{i}'] = landmark.x
            result[f'y_{i}'] = landmark.y

    return result


def get_video_landmarks(video_path):
    """
    Procesa un video y extrae los puntos faciales clave (optimizado).

    Args:
        video_path (str): Ruta al archivo de video.

    Returns:
        pd.DataFrame: Un DataFrame de pandas con los puntos clave por fotograma.
    """
    cap = cv2.VideoCapture(video_path)
    if not cap.isOpened():
        logger.error(f"No se pudo abrir el video: {video_path}")
        return None

    # Obtener información del video
    fps = cap.get(cv2.CAP_PROP_FPS)
    total_frames = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))

    logger.info(f"Procesando video: {total_frames} frames a {fps} FPS")

    data = []
    frame_count = 0
    processed_frames = 0

    # Procesar cada frame
    while cap.isOpened():
        success, image = cap.read()
        if not success:
            break

        # Preprocesar imagen
        image.flags.writeable = False
        image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
        results = face_mesh.process(image)

        # Extraer datos del frame
        row_data = {'frame': frame_count, 'fps': fps}

        if results.multi_face_landmarks:
            landmarks_data = extract_required_landmarks(results.multi_face_landmarks[0])
            row_data.update(landmarks_data)
            processed_frames += 1
        else:
            # Llenar con NaN si no se detecta cara
            for category, indices in REQUIRED_LANDMARKS.items():
                for i in indices:
                    row_data[f'x_{i}'] = np.nan
                    row_data[f'y_{i}'] = np.nan

        data.append(row_data)
        frame_count += 1

        # Log progreso cada 100 frames
        if frame_count % 100 == 0:
            logger.info(f"Procesados {frame_count}/{total_frames} frames")

    cap.release()

    if processed_frames == 0:
        logger.warning("No se detectaron caras en ningún frame")
        return None

    logger.info(f"Análisis completado: {processed_frames}/{frame_count} frames con detección facial")
    return pd.DataFrame(data)


def calculate_metrics(df):
    """
    Calcula las métricas de comportamiento a partir del DataFrame de puntos.

    Args:
        df (pd.DataFrame): DataFrame con los puntos faciales por fotograma.

    Returns:
        dict: Diccionario con todas las métricas calculadas.
    """
    if df.empty or 'fps' not in df.columns:
        return {'error': 'DataFrame vacío o sin información de FPS'}

    total_frames = len(df)
    video_fps = df['fps'].iloc[0] if not df['fps'].isna().all() else 30
    total_video_time_seconds = total_frames / video_fps if total_frames > 0 else 0

    # Filtrar frames válidos (con detección facial)
    valid_frames = df.dropna()
    if valid_frames.empty:
        return {'error': 'No hay frames válidos con detección facial'}

    # === ANÁLISIS DE SONRISAS ===
    try:
        y1, y2 = valid_frames['y_13'], valid_frames['y_14']
        x1, x2 = valid_frames['x_61'], valid_frames['x_291']

        # Calcular MAR (Mouth Aspect Ratio)
        distancia_vertical = np.abs(y1 - y2)
        distancia_horizontal = np.abs(x1 - x2)
        mar = distancia_vertical / (distancia_horizontal + 1e-6)

        # Detectar sonrisas
        smiles = []
        is_smiling = False
        start_frame = 0
        smile_threshold = 0.2

        for i, (idx, row) in enumerate(valid_frames.iterrows()):
            current_mar = mar.iloc[i]
            current_frame = row['frame']

            if current_mar > smile_threshold and not is_smiling:
                is_smiling = True
                start_frame = current_frame
            elif current_mar <= smile_threshold and is_smiling:
                is_smiling = False
                end_frame = current_frame
                duration = (end_frame - start_frame) / video_fps
                if duration > 0.1:  # Filtrar sonrisas muy cortas
                    smiles.append(duration)

        total_smiles = len(smiles)
        avg_smile_duration = np.mean(smiles) if smiles else 0
        total_smile_time = sum(smiles) if smiles else 0

    except Exception as e:
        logger.error(f"Error en análisis de sonrisas: {e}")
        total_smiles = 0
        avg_smile_duration = 0
        total_smile_time = 0

    # === ANÁLISIS DE PARPADEOS ===
    try:
        # Calcular EAR (Eye Aspect Ratio)
        dist_vert = np.abs(valid_frames['y_386'] - valid_frames['y_374'])
        dist_horiz = np.abs(valid_frames['x_362'] - valid_frames['x_263'])
        ear = dist_vert / (dist_horiz + 1e-6)

        # Detectar parpadeos
        blinks = 0
        blink_threshold = 0.25
        min_blink_frames = 2
        blinks_consecutive_frames = 0

        for value in ear:
            if value < blink_threshold:
                blinks_consecutive_frames += 1
            else:
                if blinks_consecutive_frames >= min_blink_frames:
                    blinks += 1
                blinks_consecutive_frames = 0

        blink_rate_per_minute = (blinks / total_video_time_seconds) * 60 if total_video_time_seconds > 0 else 0

    except Exception as e:
        logger.error(f"Error en análisis de parpadeos: {e}")
        blinks = 0
        blink_rate_per_minute = 0

    # === ANÁLISIS DE MOVIMIENTO DE CABEZA ===
    try:
        movimiento_vertical_cabeza = valid_frames['y_4'] - valid_frames['y_152']
        movimiento_horizontal_cabeza = valid_frames['x_234'] - valid_frames['x_454']

        std_vertical_head = np.std(movimiento_vertical_cabeza)
        std_horizontal_head = np.std(movimiento_horizontal_cabeza)

        # Calcular movimiento total
        total_head_movement = np.sqrt(std_vertical_head**2 + std_horizontal_head**2)

    except Exception as e:
        logger.error(f"Error en análisis de movimiento de cabeza: {e}")
        std_vertical_head = 0
        std_horizontal_head = 0
        total_head_movement = 0

    # === ANÁLISIS DE EMOCIONES NEGATIVAS ===
    try:
        # Cejas (diferencia vertical entre 107 y 336 para enojo/furioso)
        brow_diff = np.abs(valid_frames['y_107'] - valid_frames['y_336'])
        # Boca (usamos MAR ajustado para tensión)
        mar_tension = mar  # Reusamos MAR pero con umbral diferente
        # Gruñón (diferencia vertical entre 17 y 268, boca neutral)
        mouth_neutral = np.abs(valid_frames['y_17'] - valid_frames['y_268'])

        # Detectar enojado (cejas fruncidas + boca tensa)
        angry_events = []
        is_angry = False
        start_frame = 0
        angry_brow_threshold = 0.05  # Umbral para cejas fruncidas
        angry_mar_threshold = 0.15   # Umbral para boca tensa
        for i, (idx, row) in enumerate(valid_frames.iterrows()):
            current_brow = brow_diff.iloc[i]
            current_mar = mar_tension.iloc[i]
            current_frame = row['frame']
            if current_brow < angry_brow_threshold and current_mar < angry_mar_threshold and not is_angry:
                is_angry = True
                start_frame = current_frame
            elif (current_brow >= angry_brow_threshold or current_mar >= angry_mar_threshold) and is_angry:
                is_angry = False
                end_frame = current_frame
                duration = (end_frame - start_frame) / video_fps
                if duration > 0.1:
                    angry_events.append(duration)

        total_angry = len(angry_events)
        avg_angry_duration = np.mean(angry_events) if angry_events else 0
        total_angry_time = sum(angry_events) if angry_events else 0

        # Detectar gruñón (cejas ligeramente fruncidas + boca neutral)
        grumpy_events = []
        is_grumpy = False
        start_frame = 0
        grumpy_brow_threshold = 0.08  # Umbral más suave
        grumpy_mouth_threshold = 0.03  # Diferencia vertical baja para neutral
        for i, (idx, row) in enumerate(valid_frames.iterrows()):
            current_brow = brow_diff.iloc[i]
            current_mouth = mouth_neutral.iloc[i]
            current_frame = row['frame']
            if current_brow < grumpy_brow_threshold and current_mouth < grumpy_mouth_threshold and not is_grumpy:
                is_grumpy = True
                start_frame = current_frame
            elif (current_brow >= grumpy_brow_threshold or current_mouth >= grumpy_mouth_threshold) and is_grumpy:
                is_grumpy = False
                end_frame = current_frame
                duration = (end_frame - start_frame) / video_fps
                if duration > 0.1:
                    grumpy_events.append(duration)

        total_grumpy = len(grumpy_events)
        avg_grumpy_duration = np.mean(grumpy_events) if grumpy_events else 0
        total_grumpy_time = sum(grumpy_events) if grumpy_events else 0

        # Detectar furioso (cejas muy fruncidas + boca tensa intensa)
        furious_events = []
        is_furious = False
        start_frame = 0
        furious_brow_threshold = 0.03  # Umbral más estricto
        furious_mar_threshold = 0.10   # Umbral más bajo para tensión fuerte
        for i, (idx, row) in enumerate(valid_frames.iterrows()):
            current_brow = brow_diff.iloc[i]
            current_mar = mar_tension.iloc[i]
            current_frame = row['frame']
            if current_brow < furious_brow_threshold and current_mar < furious_mar_threshold and not is_furious:
                is_furious = True
                start_frame = current_frame
            elif (current_brow >= furious_brow_threshold or current_mar >= furious_mar_threshold) and is_furious:
                is_furious = False
                end_frame = current_frame
                duration = (end_frame - start_frame) / video_fps
                if duration > 0.1:
                    furious_events.append(duration)

        total_furious = len(furious_events)
        avg_furious_duration = np.mean(furious_events) if furious_events else 0
        total_furious_time = sum(furious_events) if furious_events else 0

    except Exception as e:
        logger.error(f"Error en análisis de emociones negativas: {e}")
        total_angry = 0
        avg_angry_duration = 0
        total_angry_time = 0
        total_grumpy = 0
        avg_grumpy_duration = 0
        total_grumpy_time = 0
        total_furious = 0
        avg_furious_duration = 0
        total_furious_time = 0

    # === MÉTRICAS ADICIONALES ===
    face_detection_rate = len(valid_frames) / total_frames * 100

    return {
        'video_info': {
            'duracion_total': round(total_video_time_seconds, 2),
            'fps': round(video_fps, 1),
            'frames_totales': total_frames,
            'frames_con_deteccion': len(valid_frames),
            'tasa_deteccion_facial': round(face_detection_rate, 2)
        },
        'sonrisas': {
            'total_sonrisas': total_smiles,
            'duracion_promedio_sonrisas': round(avg_smile_duration, 2),
            'tiempo_total_sonriendo': round(total_smile_time, 2),
            'porcentaje_tiempo_sonriendo': round((total_smile_time / total_video_time_seconds) * 100, 2) if total_video_time_seconds > 0 else 0
        },
        'parpadeos': {
            'total_parpadeos': blinks,
            'tasa_parpadeo_por_minuto': round(blink_rate_per_minute, 2)
        },
        'movimiento_cabeza': {
            'estabilidad_vertical': round(std_vertical_head, 4),
            'estabilidad_horizontal': round(std_horizontal_head, 4),
            'movimiento_total': round(total_head_movement, 4)
        },
        'emociones_negativas': {
            'total_enojado': total_angry,
            'duracion_promedio_enojado': round(avg_angry_duration, 2),
            'porcentaje_tiempo_enojado': round((total_angry_time / total_video_time_seconds) * 100, 2) if total_video_time_seconds > 0 else 0,
            'total_grunon': total_grumpy,
            'duracion_promedio_grunon': round(avg_grumpy_duration, 2),
            'porcentaje_tiempo_grunon': round((total_grumpy_time / total_video_time_seconds) * 100, 2) if total_video_time_seconds > 0 else 0,
            'total_furioso': total_furious,
            'duracion_promedio_furioso': round(avg_furious_duration, 2),
            'porcentaje_tiempo_furioso': round((total_furious_time / total_video_time_seconds) * 100, 2) if total_video_time_seconds > 0 else 0
        }
    }


@app.route('/', methods=['GET'])
def index():
    return render_template('index.html')


@app.route('/test', methods=['GET', 'POST'])
def test():
    """Ruta de prueba para debugging."""
    if request.method == 'GET':
        return jsonify({'status': 'success', 'message': 'Test endpoint working'})
    else:
        data = request.get_json() if request.is_json else request.form.to_dict()
        return jsonify({'status': 'success', 'received_data': data})


@app.route('/health', methods=['GET'])
def health():
    """Health check endpoint."""
    return jsonify({'status': 'healthy', 'message': 'Server is running'})


@app.before_request
def log_request_info():
    """Log información de cada request."""
    logger.info(f"Request: {request.method} {request.url}")
    logger.info(f"Headers: {dict(request.headers)}")
    if request.method == 'POST':
        logger.info(f"Content-Type: {request.content_type}")
        logger.info(f"Content-Length: {request.content_length}")


@app.route('/analyze', methods=['POST'])
def analyze():
    try:
        # Intentar obtener datos del form primero, luego JSON
        if request.content_type and 'application/json' in request.content_type:
            data = request.get_json()
            youtube_url = data.get('youtube_url', '').strip() if data else ''
        else:
            youtube_url = request.form.get('youtube_url', '').strip()

        logger.info(f"Received URL: {youtube_url}")
        logger.info(f"Content-Type: {request.content_type}")

        # Validaciones de entrada
        if not youtube_url:
            return jsonify({
                'status': 'error',
                'message': 'Por favor, introduce una URL de YouTube válida.'
            }), 400

        if 'youtube.com' not in youtube_url and 'youtu.be' not in youtube_url:
            return jsonify({
                'status': 'error',
                'message': 'La URL debe ser de YouTube.'
            }), 400

    except Exception as e:
        logger.error(f"Error procesando request: {e}")
        return jsonify({
            'status': 'error',
            'message': 'Error procesando la petición.'
        }), 400

    video_path = None
    try:
        logger.info(f"Iniciando análisis de: {youtube_url}")

        # Descargar video usando método robusto
        video_path, video_info = download_youtube_video(youtube_url, app.config['UPLOAD_FOLDER'])

        if video_path is None:
            return jsonify({
                'status': 'error',
                'message': video_info  # video_info contiene el mensaje de error
            })

        logger.info(f"Video descargado: {video_info['title']}")

        # Validar duración
        if video_info['duration'] > 600:  # 10 minutos
            return jsonify({
                'status': 'error',
                'message': f'El video es demasiado largo ({video_info["duration"]//60} min). Máximo 10 minutos permitidos.'
            })

        # Verificar que el archivo se descargó correctamente
        if not os.path.exists(video_path):
            return jsonify({
                'status': 'error',
                'message': 'Error al descargar el video.'
            })

        logger.info("Video descargado. Iniciando análisis facial...")

        # Procesar video
        landmarks_df = get_video_landmarks(video_path)

        if landmarks_df is None or landmarks_df.empty:
            return jsonify({
                'status': 'error',
                'message': 'No se pudieron extraer los puntos faciales. Asegúrate de que el video muestre claramente una cara.'
            })

        logger.info("Análisis facial completado. Calculando métricas...")

        # Calcular métricas
        report_data = calculate_metrics(landmarks_df)

        if 'error' in report_data:
            return jsonify({
                'status': 'error',
                'message': f'Error en el cálculo de métricas: {report_data["error"]}'
            })

        # Agregar información del video
        report_data['video_title'] = video_info['title']
        report_data['video_url'] = youtube_url

        logger.info("Análisis completado exitosamente")
        return jsonify({'status': 'success', 'data': report_data})

    except Exception as e:
        logger.error(f"Error inesperado: {e}")
        return jsonify({
            'status': 'error',
            'message': f'Error inesperado: {str(e)}'
        })
    finally:
        # Limpiar archivo temporal
        if video_path and os.path.exists(video_path):
            try:
                os.remove(video_path)
                logger.info("Archivo temporal eliminado")
            except Exception as e:
                logger.error(f"Error eliminando archivo temporal: {e}")


@app.errorhandler(413)
def too_large(e):
    return jsonify({
        'status': 'error',
        'message': 'El archivo es demasiado grande.'
    }), 413


@app.errorhandler(500)
def internal_error(e):
    return jsonify({
        'status': 'error',
        'message': 'Error interno del servidor.'
    }), 500


if __name__ == '__main__':
    app.run(debug=True, host='0.0.0.0', port=5000)