Update app.py

app.py

@@ -4,6 +4,39 @@ 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: