Update app.py

app.py

@@ -7,6 +7,12 @@ from modules.utils import handle_long_text
 # Cargar modelos abstractivos finetuneados
 summarizers = load_summarizers()
 
+# Ejemplo de texto
+EXAMPLE_TEXT = """
+La inteligencia artificial (IA) ha revolucionado múltiples industrias, desde la medicina hasta el transporte.
+Los avances en modelos de lenguaje, como T5, BART y PEGASUS, permiten aplicaciones innovadoras como la generación automática de resúmenes, lo cual facilita el acceso a información clave en documentos extensos.
+"""
+
 # Función para procesar el archivo cargado
 def process_file(file):
     """
@@ -26,83 +32,32 @@ def process_file(file):
         return "El archivo no contiene texto procesable."
     return "Por favor, cargue un archivo válido."
 
-# Función principal para generar resúmenes
-def summarize(input_text, file, summary_type, method, num_sentences, model_name, max_length, num_beams):
+# Función para cargar un ejemplo de texto
+def load_example_text():
+    """
+    Devuelve un ejemplo de texto predefinido.
+
+    Returns:
+        str: Texto de ejemplo.
     """
-    Genera un resumen basado en el texto de entrada o archivo cargado.
+    return EXAMPLE_TEXT
+
+# Función para cargar y limpiar el contenido de un archivo
+def process_uploaded_file(file):
+    """
+    Procesa un archivo, lo limpia y devuelve su contenido en texto.
 
     Args:
-        input_text (str): Texto ingresado por el usuario.
-        file (UploadedFile): Archivo subido por el usuario.
-        summary_type (str): Tipo de resumen: Extractivo, Abstractivo o Combinado.
-        method (str): Método de resumen extractivo.
-        num_sentences (int): Número de oraciones para el resumen extractivo.
-        model_name (str): Nombre del modelo para resumen abstractivo.
-        max_length (int): Longitud máxima del resumen generado.
-        num_beams (int): Número de haces para búsqueda en el modelo.
+        file (UploadedFile): Archivo subido.
 
     Returns:
-        str: Resumen generado o mensaje de error.
+        str: Texto limpio extraído del archivo.
     """
-    preprocessor = Preprocessor()
-
-    # Procesar archivo si se sube uno
-    if file is not None:
-        input_text = process_file(file)
-
-    # Validar que haya texto para resumir
-    if not input_text.strip():
-        return "Por favor, ingrese texto o cargue un archivo válido."
-
-    cleaned_text = preprocessor.clean_text(input_text)
-
-    # Procesar según el tipo de resumen seleccionado
-    if summary_type == "Extractivo":
-        if method == "TF-IDF":
-            summarizer = TFIDFSummarizer()
-        elif method == "TextRank":
-            summarizer = TextRankSummarizer()
-        elif method == "BERT":
-            summarizer = BERTSummarizer()
-        elif method == "TF-IDF + TextRank":
-            summarizer = CombinedSummarizer()
-        else:
-            return "Método no válido para resumen extractivo."
-
-        return summarizer.summarize(
-            preprocessor.split_into_sentences(cleaned_text),
-            preprocessor.clean_sentences(preprocessor.split_into_sentences(cleaned_text)),
-            num_sentences,
-        )
-
-    elif summary_type == "Abstractivo":
-        if model_name not in summarizers:
-            return "Modelo no disponible para resumen abstractivo."
-        return handle_long_text(
-            cleaned_text,
-            summarizers[model_name][0],
-            summarizers[model_name][1],
-            max_length=max_length,
-            stride=128,
-        )
-
-    elif summary_type == "Combinado":
-        if model_name not in summarizers:
-            return "Modelo no disponible para resumen abstractivo."
-        extractive_summary = TFIDFSummarizer().summarize(
-            preprocessor.split_into_sentences(cleaned_text),
-            preprocessor.clean_sentences(preprocessor.split_into_sentences(cleaned_text)),
-            num_sentences,
-        )
-        return handle_long_text(
-            extractive_summary,
-            summarizers[model_name][0],
-            summarizers[model_name][1],
-            max_length=max_length,
-            stride=128,
-        )
-
-    return "Seleccione un tipo de resumen válido."
+    raw_text = process_file(file)
+    if "El archivo no contiene" not in raw_text and "Por favor" not in raw_text:
+        preprocessor = Preprocessor()
+        return preprocessor.clean_text(raw_text)
+    return raw_text
 
 # Interfaz dinámica
 with gr.Blocks() as interface:
@@ -112,26 +67,23 @@ with gr.Blocks() as interface:
     with gr.Row():
         with gr.Column(scale=2):
             input_text = gr.Textbox(lines=9, label="Ingrese texto", interactive=True)
-            # Botón de cargar archivo en la izquierda, debajo de la caja de texto
-            load_file_button = gr.Button("Cargar Archivo", visible=False)
+            with gr.Row():
+                load_example_button = gr.Button("Load Example")
+                upload_file_button = gr.Button("Upload File")
         with gr.Column(scale=1):
             file = gr.File(label="Subir archivo (PDF, TXT)")
 
-    # Acción del botón: procesar el archivo y colocar el texto en la caja de texto
-    load_file_button.click(
-        process_file,
-        inputs=[file],
+    # Acciones de botones
+    load_example_button.click(
+        load_example_text,
+        inputs=[],
         outputs=[input_text],
     )
 
-    # Mostrar el botón solo cuando se suba un archivo
-    def toggle_load_button(file):
-        return gr.update(visible=file is not None)
-
-    file.change(
-        toggle_load_button,
+    upload_file_button.click(
+        process_uploaded_file,
         inputs=[file],
-        outputs=[load_file_button],
+        outputs=[input_text],
     )
 
     # Selección de tipo de resumen y opciones dinámicas