app.py

import gradio as gr
import requests
from requests.adapters import HTTPAdapter
from urllib3.util.retry import Retry
from bs4 import BeautifulSoup
from urllib.parse import urljoin, urlparse
import os


def build_session():
    session = requests.Session()
    retries = Retry(
        total=2,
        backoff_factor=1,
        status_forcelist=[429, 500, 502, 503, 504],
    )
    adapter = HTTPAdapter(max_retries=retries)
    session.mount("https://", adapter)
    session.mount("http://", adapter)
    return session


def extract_images(url):
    session = build_session()
    try:
        headers = {
            "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/124.0.0.0 Safari/537.36",
            "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8",
            "Accept-Language": "es-ES,es;q=0.9,en-US;q=0.8,en;q=0.7",
            "Accept-Encoding": "gzip, deflate, br",
            "Connection": "keep-alive",
            "Upgrade-Insecure-Requests": "1",
        }
        # Timeout separado: (conexión, lectura). Antes era un único valor de 50s,
        # lo que dejaba la UI colgada mucho tiempo si el sitio nunca respondía.
        response = session.get(url, headers=headers, timeout=(10, 20))
        response.raise_for_status()

        soup = BeautifulSoup(response.text, "html.parser")
        base_url = f"{urlparse(url).scheme}://{urlparse(url).netloc}"

        images = []
        seen = set()

        # Buscar imágenes en <img>
        for img in soup.find_all("img"):
            src = img.get("src") or img.get("data-src") or img.get("data-original")
            if not src:
                continue

            # Convertir URLs relativas a absolutas
            img_url = urljoin(base_url, src)

            # Filtrar duplicados y URLs inválidas
            if img_url in seen or not img_url.startswith(("http://", "https://")):
                continue
            seen.add(img_url)

            # Obtener nombre del archivo
            parsed = urlparse(img_url)
            filename = os.path.basename(parsed.path) or "imagen.jpg"
            if not any(filename.lower().endswith(ext) for ext in [".jpg", ".jpeg", ".png", ".gif", ".webp", ".svg", ".bmp"]):
                filename += ".jpg"

            images.append({
                "image": img_url,
                "caption": filename
            })

        # Buscar imágenes de fondo en <div> o elementos con style
        for tag in soup.find_all(style=True):
            style = tag["style"]
            if "url(" in style:
                url_start = style.find("url(") + 4
                url_end = style.find(")", url_start)
                bg_url = style[url_start:url_end].strip('"\'')
                bg_url = urljoin(base_url, bg_url)
                if bg_url not in seen and bg_url.startswith(("http://", "https://")):
                    seen.add(bg_url)
                    images.append({"image": bg_url, "caption": "background.jpg"})

        if not images:
            return [], "No se encontraron imágenes en esta página."

        return [img["image"] for img in images], f"Se encontraron {len(images)} imágenes."

    except requests.exceptions.Timeout:
        return [], (
            "El sitio no respondió a tiempo tras reintentar. Suele pasar cuando "
            "el dominio está filtrado a nivel de red/DNS (algunos hosts de archivos "
            "terminan en listas de bloqueo por abuso) o el servidor está caído/lento. "
            "Prueba el mismo enlace en el navegador desde esta misma red para confirmar."
        )
    except requests.exceptions.ConnectionError as e:
        # requests envuelve un ReadTimeout que agotó los reintentos como
        # ConnectionError (no como Timeout) — es un detalle de la librería,
        # no un tipo de fallo distinto al de arriba.
        if "ReadTimeoutError" in str(e) or "Read timed out" in str(e):
            return [], (
                "El sitio acepta la conexión pero nunca termina de responder, "
                "ni siquiera tras reintentar. Es el patrón de un bloqueo de "
                "red/firewall o de un mecanismo anti-bots que corta la respuesta "
                "a mitad de camino, no el de un timeout demasiado corto."
            )
        return [], f"No se pudo conectar con el sitio: {str(e)}"
    except requests.exceptions.RequestException as e:
        return [], f"Error al acceder a la URL: {str(e)}"
    except Exception as e:
        return [], f"Error inesperado: {str(e)}"
    finally:
        session.close()


# Interfaz de Gradio
with gr.Blocks(title="Extractor de Imágenes Web") as demo:
    gr.Markdown("""
    # 🖼️ Extractor de Imágenes
    Pega el enlace de cualquier página web y extrae todas las imágenes disponibles.
    """)

    with gr.Row():
        url_input = gr.Textbox(
            label="URL de la página",
            placeholder="https://ejemplo.com",
            scale=4
        )
        submit_btn = gr.Button("🔍 Extraer imágenes", scale=1, variant="primary")

    status_text = gr.Textbox(label="Estado", interactive=False)

    gallery = gr.Gallery(
        label="Imágenes encontradas",
        show_label=True,
        columns=4,
        rows=4,
        height="auto",
        object_fit="contain",
        allow_preview=True
    )

    # Información de descarga
    gr.Markdown("""
    ### 💡 Para descargar:
    1. Haz **clic en cualquier imagen** para previsualizarla en tamaño completo.
    2. En la vista previa, haz **clic derecho → Guardar imagen como...**.
    3. También puedes hacer clic derecho directamente sobre cualquier miniatura.
    """)

    submit_btn.click(
        fn=extract_images,
        inputs=url_input,
        outputs=[gallery, status_text]
    )

    # Ejemplo
    gr.Examples(
        examples=["https://es.wikipedia.org/wiki/Gato"],
        inputs=url_input,
        label="Ejemplo"
    )

if __name__ == "__main__":
    demo.launch()