app.py

import gradio as gr
from PyPDF2 import PdfReader
import tempfile
import re
import unicodedata

def limpiar_texto(texto):
    # Normaliza caracteres Unicode (acentos y símbolos)
    texto = unicodedata.normalize("NFKD", texto)

    # Elimina caracteres no imprimibles
    texto = re.sub(
        r"[^\x09\x0A\x0D\x20-\x7EáéíóúÁÉÍÓÚñÑüÜ]",
        "",
        texto
    )

    # Reemplazos comunes de símbolos en PDFs
    reemplazos = {
        "�": "",
        "•": "-",
        "▪": "-",
        "–": "-",
        "—": "-",
        "“": '"',
        "”": '"',
        "‘": "'",
        "’": "'",
        "Â": "",
    }

    for simbolo, reemplazo in reemplazos.items():
        texto = texto.replace(simbolo, reemplazo)

    # Limpia espacios y saltos de línea excesivos
    texto = re.sub(r"\n{3,}", "\n\n", texto)
    texto = re.sub(r"[ \t]{2,}", " ", texto)

    return texto.strip()

def extraer_texto_pdf(archivo_pdf):
    if archivo_pdf is None:
        return ""

    reader = PdfReader(archivo_pdf.name)
    texto = ""

    for pagina in reader.pages:
        contenido = pagina.extract_text()
        if contenido:
            texto += contenido + "\n"

    # 🔹 Limpieza del texto extraído
    texto = limpiar_texto(texto)

    return texto


def guardar_texto_en_txt(texto):
    archivo_temp = tempfile.NamedTemporaryFile(delete=False, suffix=".txt")
    with open(archivo_temp.name, "w", encoding="utf-8") as f:
        f.write(texto)
    return archivo_temp.name

with gr.Blocks() as app:
    gr.Markdown("# 📄 Extractor de texto desde PDF - Alex")
    gr.Markdown("Sube un PDF, extrae su texto y descárgalo en formato .txt")

    entrada_pdf = gr.File(
        label="📂 Selecciona tu archivo PDF",
        file_types=[".pdf"]
    )

    boton_extraer = gr.Button("🔍 Extraer texto")

    salida_texto = gr.Textbox(
        label="Texto extraído",
        lines=15
    )

    boton_descargar = gr.Button("💾 Descargar texto (.txt)")
    salida_archivo = gr.File(label="Descargar archivo")

    boton_extraer.click(
        fn=extraer_texto_pdf,
        inputs=entrada_pdf,
        outputs=salida_texto
    )

    boton_descargar.click(
        fn=guardar_texto_en_txt,
        inputs=salida_texto,
        outputs=salida_archivo
    )

app.launch()