Update app.py

app.py

@@ -1,5 +1,5 @@
-# ====================    El Detective de Alimentos (Versión 8.0 - Lógica Gatekeeper)  =====================================
-# Mejoras: Implementación de la lógica de búsqueda "Gatekeeper" para una precisión superior.
+# ====================    El Detective de Alimentos (Versión 7.2 - Búsqueda Molecular Inteligente)  =====================================
+# Mejoras: Lógica de búsqueda en FoodB por contención y diccionario de traducción mejorado.
 
 import streamlit as st
 import google.generativeai as genai
@@ -18,7 +18,7 @@ st.set_page_config(
     layout="wide"
 )
 
-# --- CONFIGURACIÓN Y CARGA DE DATOS (SIN CAMBIOS) ---
+# ... (Configuración de Gemini y carga de datos no cambia) ...
 # Configurar logging
 logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')
 logger = logging.getLogger("food_detective_app")
@@ -73,7 +73,8 @@ def load_data():
         return None, None, None
 alimentos_data, lista_condiciones, foodb_index = load_data()
 
-# --- DICCIONARIOS DE MAPEADO (SIN CAMBIOS) ---
+
+# --- DICCIONARIOS DE MAPEADO ---
 FOOD_TO_COMPOUND_MAP = {
     "pan": ["gluten"], "trigo": ["gluten"], "harina de trigo": ["gluten"], "cebada": ["gluten"], "centeno": ["gluten"], "pasta": ["gluten"], "galletas": ["gluten"], "avena": ["gluten"], "pizza": ["gluten"], "torta": ["gluten"],
     "leche": ["lácteos", "caseína", "lactosa"], "queso": ["lácteos", "caseína", "lactosa", "histamina", "tiramina"], "yogur": ["lácteos", "caseína", "lactosa"], "mantequilla": ["lácteos", "caseína", "lactosa"], "crema": ["lácteos"], "helado": ["lácteos"],
@@ -91,27 +92,21 @@ CONDITION_SYNONYMS = {
     "gota / hiperuricemia.": ["acido urico aumentado"], "intolerancia a la lactosa.": ["déficit de lactasa"],
     "enfermedad celíaca (clásica).": ["dermatitis herpetiforme"], "migraña.": ["dolor de cabeza", "cefalea"]
 }
+
+# --- DICCIONARIO TRADUCTOR REFINADO ---
 FOOD_NAME_TO_FOODB_KEY = {
-    "pan": "bread", "pasta": "pasta", "galleta": "cookie", "pizza": "pizza", "cebada": "barley", "centeno": "rye",
-    "leche": "milk", "queso": "cheese", "huevo": "egg", "carne": "meat", "ternera": "beef", "cerdo": "pork", "cordero": "lamb",
-    "manzana": "apple", "naranja": "orange", "uva": "grape", "plátano": "banana", "aguacate": "avocado", "limón": "lemon",
-    "tomate": "tomato", "patata": "potato", "cebolla": "onion", "ajo": "garlic", "espinaca": "spinach",
-    "vino": "red wine", "cerveza": "beer", "café": "coffee", "chocolate": "chocolate", "miel": "honey",
-    "almendra": "almond", "nuez": "walnut", "cacahuete": "peanut", "arroz": "rice", "maíz": "corn",
-    "pescado": "fish", "atún": "tuna", "salmón": "salmon", "marisco": "shellfish", "camarón": "shrimp"
+    "pan": ["bread"], "pasta": ["pasta"], "galleta": ["cookie"], "pizza": ["pizza"], "cebada": ["barley"], "centeno": ["rye"],
+    "leche": ["milk"], "queso": ["cheese"], "huevo": ["egg"], "carne": ["beef", "pork", "lamb", "meat"], "ternera": ["beef"], "cerdo": ["pork"], "cordero": ["lamb"], "pollo": ["chicken"],
+    "manzana": ["apple"], "naranja": ["orange"], "uva": ["grape"], "plátano": ["banana"], "aguacate": ["avocado"], "limón": ["lemon"],
+    "tomate": ["tomato"], "patata": ["potato"], "cebolla": ["onion"], "ajo": ["garlic"], "espinaca": ["spinach"],
+    "vino": ["wine"], "cerveza": ["beer"], "café": ["coffee"], "chocolate": ["chocolate"], "miel": ["honey"],
+    "almendra": ["almond"], "nuez": ["walnut"], "cacahuete": ["peanut"], "arroz": ["rice"], "maíz": ["corn"],
+    "pescado": ["fish"], "atún": ["tuna"], "salmón": ["salmon"], "marisco": ["shellfish"], "camarón": ["shrimp"]
 }
 
-# --- LÓGICA DE BÚSQUEDA Y ANÁLISIS ---
-
-def sanitize_text(text):
-    """Convierte texto a minúsculas, elimina puntuación común y espacios extra."""
-    if not text:
-        return ""
-    text = re.sub(r'[.,;()]', '', text)
-    return text.lower().strip()
-
+# --- LÓGICA DE BÚSQUEDA Y ANÁLISIS (SIN CAMBIOS) ---
+# (Todas las funciones hasta la UI se mantienen igual que en la versión anterior)
 def extract_and_infer_with_gemini(query, condiciones):
-    # ... (Sin cambios)
     if not model: return None
     condiciones_str = "\n".join([f"- {c}" for c in condiciones])
     system_prompt = f"""
@@ -136,22 +131,20 @@ def extract_and_infer_with_gemini(query, condiciones):
         logger.error(f"Error en la extracción/inferencia con Gemini: {e}")
         st.error(f"Hubo un problema al interpretar tu consulta con la IA.")
         return None
-
+def sanitize_text(text):
+    if not text: return ""
+    text = re.sub(r'[.,;()]', '', text)
+    return text.lower().strip()
 def find_best_matches_hybrid(entities, data):
-    """Motor de búsqueda híbrido (v8.0) con lógica "Gatekeeper" de alta confianza."""
     if not entities or not data: return []
-    
     user_symptoms = set(sanitize_text(s) for s in entities.get("sintomas", []))
     user_foods = set(sanitize_text(f) for f in entities.get("alimentos", []))
     inferred_condition_raw = sanitize_text(entities.get("condicion_probable", ""))
-
     candidate_terms = set(user_foods)
     for food in user_foods:
         food_sanitized = sanitize_text(food)
         if food_sanitized in FOOD_TO_COMPOUND_MAP:
             candidate_terms.update(c.lower() for c in FOOD_TO_COMPOUND_MAP[food_sanitized])
-
-    # --- LÓGICA GATEKEEPER ---
     target_data = data
     if inferred_condition_raw:
         filtered_data = []
@@ -163,23 +156,17 @@ def find_best_matches_hybrid(entities, data):
             if entry_condition in CONDITION_SYNONYMS:
                 if inferred_condition_raw in [sanitize_text(s) for s in CONDITION_SYNONYMS[entry_condition]]:
                     filtered_data.append(entry)
-        
         if filtered_data:
             target_data = filtered_data
             logger.info(f"Modo Gatekeeper activado. Buscando solo entre {len(target_data)} condiciones.")
-
-    # --- Puntuación (Ahora sobre los datos correctos) ---
     results = []
     for entry in target_data:
         score_details = {'condition': 0, 'food': 0, 'symptoms': 0, 'total': 0}
-        
         if inferred_condition_raw and sanitize_text(entry.get("condicion_asociada", "")) == inferred_condition_raw:
             score_details['condition'] = 100
-            
         entry_compounds_text = sanitize_text(entry.get("compuesto_alimento", ""))
         if any(term in entry_compounds_text for term in candidate_terms):
             score_details['food'] = 15
-            
         entry_symptoms_keys = set(sanitize_text(s) for s in entry.get("sintomas_clave", []))
         symptom_score = 0
         for user_symptom in user_symptoms:
@@ -188,17 +175,12 @@ def find_best_matches_hybrid(entities, data):
                     symptom_score += 10
                     break
         score_details['symptoms'] = symptom_score
-        
         total_score = sum(score_details.values())
         if total_score > 0:
             results.append({'entry': entry, 'score': score_details})
-            
     if not results: return []
-
     sorted_results = sorted(results, key=lambda x: x['score']['total'], reverse=True)
     return sorted_results
-
-# ... (El resto de funciones (generate_detailed_analysis, create_relevance_chart, log_feedback, etc.) no cambian) ...
 def generate_detailed_analysis(query, match):
     if not model: return "Error: El modelo de IA no está disponible."
     prompt_parts = [
@@ -228,7 +210,7 @@ def generate_detailed_analysis(query, match):
         f'*   **[Punto 2 de las recomendaciones, enfocado en los exámenes si los hay, basado en "{match.get("recomendaciones_examenes")}"]**',
         f'*   **Atención a otros alimentos:** Ten en cuenta que, además de lo que mencionaste, otros alimentos implicados en esta condición son: **[menciona 2-3 ejemplos del campo "{match.get("compuesto_alimento")}"]**.',
         "\n### **IMPORTANTE: Descargo de Responsabilidad**",
-        "Este análisis es una herramienta informativa y de orientación basada en inteligencia artificial. **NO es un diagnóstico médico.** La información proporcionada no debe sustituir la consulta, el diagnóstico o el tratamiento de un médico o profesional de la salud qualificado. Consulta siempre a un experto para evaluar tu caso particular."
+        "Este análisis es una herramienta informativa y de orientación basada en inteligencia artificial. **NO es un diagnóstico médico.** La información proporcionada no debe sustituir la consulta, el diagnóstico o el tratamiento de un médico o profesional de la salud cualificado. Consulta siempre a un experto para evaluar tu caso particular."
     ])
     prompt = "\n".join(prompt_parts)
     try:
@@ -259,16 +241,9 @@ def log_feedback(query, result, feedback):
     os.makedirs("logs", exist_ok=True)
     with open(os.path.join("logs", "feedback_log.txt"), "a", encoding="utf-8") as f:
         f.write(json.dumps(log_entry, ensure_ascii=False) + "\n")
-def extract_foods_from_string(food_string):
-    match = re.search(r'\(([^)]+)\)$', food_string)
-    if match:
-        foods_part = match.group(1)
-        return [food.strip().lower() for food in foods_part.split(',') if food.strip()]
-    else:
-        main_part = re.sub(r'^\w+\s*\(.*?\)\s*', '', food_string).strip()
-        return [food.strip().lower() for food in main_part.split(',') if food.strip()]
 
-# --- INTERFAZ DE USUARIO Y LÓGICA PRINCIPAL ---
+
+# --- INTERFAZ DE USUARIO Y LÓGICA PRINCIPAL (CON CAMBIOS) ---
 col_img, col_text = st.columns([1, 4], gap="medium")
 with col_img:
     if os.path.exists("imagen.png"):
@@ -306,7 +281,6 @@ if submitted:
             info_str = f"IA identificó - Alimentos: {', '.join(entities.get('alimentos',[])) or 'Ninguno'}, Síntomas: {', '.join(entities.get('sintomas',[])) or 'Ninguno'}"
             if entities.get("condicion_probable"): info_str += f", Condición Probable: {entities.get('condicion_probable')}"
             st.info(info_str)
-
             with st.spinner("🔬 Cruzando información y calculando relevancia..."):
                 results = find_best_matches_hybrid(entities, alimentos_data)
                 st.session_state.search_results = results
@@ -345,29 +319,38 @@ if st.session_state.search_results is not None:
             with col2:
                 st.write("")
                 if foodb_index:
+                    # --- LÓGICA DEL POPOVER COMPLETAMENTE RECONSTRUIDA ---
                     with st.popover("🔬 Principales componentes moleculares"):
                         user_foods_mentioned = st.session_state.entities.get("alimentos", [])
+                        
                         if not user_foods_mentioned:
-                            st.info("Mostrando componentes de los alimentos de ejemplo de esta condición.")
-                            food_string_to_check = best_match.get("compuesto_alimento", "")
-                            user_foods_mentioned = [food.strip() for food in re.split(r'[,()]', food_string_to_check) if food.strip() and not food.islower()]
-                        found_data = False
-                        for alimento_es in user_foods_mentioned:
-                            foodb_key = None
-                            for key_es, key_en in FOOD_NAME_TO_FOODB_KEY.items():
-                                if key_es in alimento_es.lower():
-                                    foodb_key = key_en
-                                    break
-                            if foodb_key and foodb_key in foodb_index:
-                                found_data = True
-                                with st.container(border=True):
-                                    st.subheader(f"Análisis de: {alimento_es.capitalize()}")
-                                    for item in foodb_index[foodb_key][:5]:
-                                        st.write(f"**Compuesto:** {item['compound']}")
-                                        st.write(f"**Efectos reportados:** {', '.join(item['effects'])}")
-                                        st.markdown("---")
+                            st.info("El usuario no especificó un alimento, no se puede realizar la búsqueda molecular.")
+                        else:
+                            found_data = False
+                            displayed_foodb_keys = set() # Para no mostrar resultados duplicados
+
+                            for alimento_es in user_foods_mentioned:
+                                # TRADUCCIÓN INTELIGENTE
+                                search_terms_en = []
+                                for key_es, value_en_list in FOOD_NAME_TO_FOODB_KEY.items():
+                                    if key_es in alimento_es.lower():
+                                        search_terms_en.extend(value_en_list)
+                                
+                                # BÚSQUEDA POR CONTENCIÓN EN FOODB
+                                for term in set(search_terms_en): # Usamos set para evitar buscar "beef" dos veces
+                                    for foodb_key, foodb_data in foodb_index.items():
+                                        if term in foodb_key and foodb_key not in displayed_foodb_keys:
+                                            found_data = True
+                                            displayed_foodb_keys.add(foodb_key)
+                                            with st.container(border=True):
+                                                st.subheader(f"Análisis de: {foodb_key.capitalize()}")
+                                                for item in foodb_data[:3]: # Limitamos a 3 compuestos por alimento encontrado
+                                                    st.write(f"**Compuesto:** {item['compound']}")
+                                                    st.write(f"**Efectos reportados:** {', '.join(item['effects'])}")
+                                            st.markdown("---")
+
                         if not found_data:
-                            st.warning("Sin datos moleculares para este alimento.")
+                            st.warning("Sin datos moleculares para este alimento.") # Mensaje corregido
 
             st.markdown("---")