Update app.py

app.py

@@ -1,5 +1,5 @@
-# ====================    El Detective de Alimentos (Versión 7.2 - Traducción Inteligente)  =====================================
-# Mejoras: Lógica de "traducción inteligente" para la búsqueda en FoodB.
+# ====================    El Detective de Alimentos (Versión 8.0 - Lógica Gatekeeper)  =====================================
+# Mejoras: Implementación de la lógica de búsqueda "Gatekeeper" para una precisión superior.
 
 import streamlit as st
 import google.generativeai as genai
@@ -18,7 +18,7 @@ st.set_page_config(
     layout="wide"
 )
 
-# ... (Configuración de Gemini y carga de datos no cambia) ...
+# --- CONFIGURACIÓN Y CARGA DE DATOS (SIN CAMBIOS) ---
 # Configurar logging
 logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')
 logger = logging.getLogger("food_detective_app")
@@ -73,9 +73,7 @@ def load_data():
         return None, None, None
 alimentos_data, lista_condiciones, foodb_index = load_data()
 
-
-# --- DICCIONARIOS DE MAPEADO ---
-# ... (FOOD_TO_COMPOUND_MAP y CONDITION_SYNONYMS no cambian) ...
+# --- DICCIONARIOS DE MAPEADO (SIN CAMBIOS) ---
 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"],
@@ -93,10 +91,7 @@ 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 = {
-    # La clave ahora es más genérica para facilitar la búsqueda por contención
     "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",
@@ -106,9 +101,17 @@ FOOD_NAME_TO_FOODB_KEY = {
     "pescado": "fish", "atún": "tuna", "salmón": "salmon", "marisco": "shellfish", "camarón": "shrimp"
 }
 
-# --- LÓGICA DE BÚSQUEDA Y ANÁLISIS (SIN CAMBIOS) ---
-# (Todas las funciones hasta la UI se mantienen igual que en la versión anterior)
+# --- 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()
+
 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"""
@@ -133,28 +136,51 @@ 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 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(s.lower().strip() for s in entities.get("sintomas", []))
-    user_foods = set(f.lower().strip() for f in entities.get("alimentos", []))
-    inferred_condition_raw = entities.get("condicion_probable", "").lower().strip()
+    
+    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:
-        if food in FOOD_TO_COMPOUND_MAP:
-            candidate_terms.update(c.lower() for c in FOOD_TO_COMPOUND_MAP[food])
+        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 = []
+        for entry in data:
+            entry_condition = sanitize_text(entry.get("condicion_asociada", ""))
+            if entry_condition == inferred_condition_raw:
+                filtered_data.append(entry)
+                continue
+            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 index, entry in enumerate(data):
+    for entry in target_data:
         score_details = {'condition': 0, 'food': 0, 'symptoms': 0, 'total': 0}
-        entry_condition = entry.get("condicion_asociada", "").lower().strip()
-        if inferred_condition_raw and inferred_condition_raw == entry_condition:
+        
+        if inferred_condition_raw and sanitize_text(entry.get("condicion_asociada", "")) == inferred_condition_raw:
             score_details['condition'] = 100
-        elif inferred_condition_raw and entry_condition in CONDITION_SYNONYMS:
-            if inferred_condition_raw in CONDITION_SYNONYMS[entry_condition]:
-                score_details['condition'] = 100
-        entry_compounds_text = entry.get("compuesto_alimento", "").lower()
+            
+        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(s.lower().strip() for s in entry.get("sintomas_clave", []))
+            
+        entry_symptoms_keys = set(sanitize_text(s) for s in entry.get("sintomas_clave", []))
         symptom_score = 0
         for user_symptom in user_symptoms:
             for key in entry_symptoms_keys:
@@ -162,13 +188,17 @@ 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:
-            score_details['total'] = total_score
             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 = [
@@ -198,7 +228,7 @@ 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 cualificado. 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 qualificado. Consulta siempre a un experto para evaluar tu caso particular."
     ])
     prompt = "\n".join(prompt_parts)
     try:
@@ -229,8 +259,16 @@ 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 (CON CAMBIOS) ---
+# --- INTERFAZ DE USUARIO Y LÓGICA PRINCIPAL ---
 col_img, col_text = st.columns([1, 4], gap="medium")
 with col_img:
     if os.path.exists("imagen.png"):
@@ -268,6 +306,7 @@ 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
@@ -306,26 +345,19 @@ if st.session_state.search_results is not None:
             with col2:
                 st.write("")
                 if foodb_index:
-                    # --- LÓGICA DEL POPOVER COMPLETAMENTE RECONSTRUIDA Y CORREGIDA ---
                     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", "")
-                            # Usamos una regex más simple para encontrar palabras en mayúsculas o minúsculas
                             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
-                        # Iteramos sobre los alimentos que el usuario mencionó
                         for alimento_es in user_foods_mentioned:
                             foodb_key = None
-                            # Buscamos la traducción con la lógica de contención
                             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):
@@ -334,9 +366,8 @@ if st.session_state.search_results is not None:
                                         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.") # Mensaje corregido
+                            st.warning("Sin datos moleculares para este alimento.")
 
             st.markdown("---")