app.py

import os
import shutil
import subprocess
import requests
import gradio as gr
from urllib.parse import urlparse
import time
import re

def sanear_nombre(nombre):
    nombre_base = os.path.splitext(nombre)[0]
    return re.sub(r"[^\w\-_.]", "_", nombre_base)

def obtener_ruta_segura(base_dir, nombre_archivo):
    nombre_base = sanear_nombre(nombre_archivo)
    ruta_final = os.path.join(base_dir, nombre_base)
    contador = 1
    while os.path.exists(ruta_final + ".pdf"):
        ruta_final = os.path.join(base_dir, f"{nombre_base}_{contador}")
        contador += 1
    return ruta_final + ".pdf"

def ejecutar_marker(cmd):
    result = subprocess.run(cmd, stdout=subprocess.PIPE, stderr=subprocess.PIPE, text=True, timeout=900)
    return result

def procesar_pdf(pdf_file=None, url_pdf=None, formatos=[], verbose="auto"):
    output_base = "./marker_output"
    os.makedirs(output_base, exist_ok=True)
    estado = ""

    try:
        subprocess.run(["marker_single", "--help"], stdout=subprocess.PIPE, stderr=subprocess.PIPE)
    except FileNotFoundError:
        yield "Error: el comando 'marker_single' no está disponible.\nVerifica que marker-pdf esté en requirements.txt", None, None
        return

    if not formatos:
        yield "Debes seleccionar al menos un formato de salida.", None, None
        return

    try:
        if url_pdf:
            parsed = urlparse(url_pdf)
            nombre_pdf = parsed.path.split("/")[-1] or "documento"
            ruta_pdf = obtener_ruta_segura(output_base, nombre_pdf)
            response = requests.get(url_pdf)
            if response.status_code != 200:
                yield "No se pudo descargar el PDF desde la URL proporcionada.", None, None
                return
            with open(ruta_pdf, "wb") as f:
                f.write(response.content)
        elif pdf_file:
            nombre_pdf = pdf_file.name or "documento"
            ruta_pdf = obtener_ruta_segura(output_base, nombre_pdf)
            shutil.copyfile(pdf_file.name, ruta_pdf)
        else:
            yield "No se proporcionó ni archivo ni URL.", None, None
            return

        with open(ruta_pdf, "rb") as f:
            if f.read(4) != b"%PDF":
                yield "El archivo proporcionado no es un PDF válido.", None, None
                return

        if os.path.getsize(ruta_pdf) > 3 * 1024 * 1024:
            estado += "Aviso: el PDF es grande y puede tardar más de lo normal.\n"

        nombre_sin_ext = os.path.splitext(os.path.basename(ruta_pdf))[0]
        carpeta_salida = os.path.join(output_base, nombre_sin_ext)
        if os.path.exists(carpeta_salida):
            shutil.rmtree(carpeta_salida)
        os.makedirs(carpeta_salida, exist_ok=True)

        for fmt in formatos:
            estado += f"\nProcesando formato '{fmt}'..."
            yield estado, None, None

            # Primer intento sin OCR (si aplica)
            if fmt == "md":
                cmd = ["marker_single", ruta_pdf, "--output_format", "markdown", "--disable_ocr", "--output_dir", carpeta_salida]
            elif fmt == "md + ocr":
                cmd = ["marker_single", ruta_pdf, "--output_format", "markdown", "--output_dir", carpeta_salida]
            else:
                cmd = ["marker_single", ruta_pdf, "--output_format", fmt, "--output_dir", carpeta_salida]

            result = ejecutar_marker(cmd)

            md_path = os.path.join(carpeta_salida, f"{nombre_sin_ext}.md")
            if fmt == "md" and not os.path.exists(md_path):
                estado += "\nNo se generó el archivo Markdown en el primer intento."
                estado += f"\n\n---\nSalida del comando marker_single:\n{result.stderr.strip()}\n"
                estado += "\nReintentando con OCR..."
                yield estado, None, None

                start_time = time.time()
                cmd = ["marker_single", ruta_pdf, "--output_format", "markdown", "--output_dir", carpeta_salida]
                result = ejecutar_marker(cmd)

                if not os.path.exists(md_path):
                    estado += "\nEl reintento con OCR también falló."
                    estado += f"\n\n---\nSalida del reintento:\n{result.stderr.strip()}"
                    yield estado, None, None
                    return

            elif result.returncode != 0:
                estado += f"\n\nError ejecutando marker_single:\n{result.stderr.strip()}"
                yield estado, None, None
                return

        if not os.path.exists(md_path):
            estado += "\nNo se generó el archivo Markdown. Puede que el PDF no contenga texto reconocible."
            yield estado, None, None
            return

        with open(md_path, "r", encoding="utf-8") as f:
            md_content = f.read()

        palabras = len(md_content.split())
        caracteres = len(md_content)
        figuras = len([f for f in os.listdir(carpeta_salida) if f.lower().endswith(".jpeg")])
        tablas = len(os.listdir(os.path.join(carpeta_salida, "tables"))) if os.path.exists(os.path.join(carpeta_salida, "tables")) else 0
        tamaño_kb = os.path.getsize(md_path) / 1024
        tiempo_total = round(time.time() - start_time, 1)

        resumen = f"\n\n---\nResumen del procesamiento:\n"
        resumen += f"- Palabras: {palabras}\n"
        resumen += f"- Caracteres: {caracteres}\n"
        resumen += f"- Tamaño Markdown: {tamaño_kb:.2f} KB\n"
        resumen += f"- Imágenes extraídas: {figuras}\n"
        resumen += f"- Tablas detectadas: {tablas}\n"
        resumen += f"- Tiempo total: {tiempo_total} s"

        zip_path = os.path.join(output_base, f"{nombre_sin_ext}.zip")
        shutil.make_archive(base_name=zip_path.replace(".zip", ""), format="zip", root_dir=carpeta_salida)

        estado += "\n\nProcesamiento finalizado correctamente."
        yield estado + resumen, gr.update(value=md_path, visible=True), gr.update(value=zip_path, visible=True)

    except Exception as e:
        yield f"Error general inesperado: {str(e)}", None, None

demo = gr.Interface(
    fn=procesar_pdf,
    inputs=[
        gr.File(label="Sube un PDF (opcional)", file_types=[".pdf"]),
        gr.Textbox(label="O introduce una URL directa", placeholder="https://arxiv.org/pdf/..."),
        gr.CheckboxGroup(
            choices=["md", "md + ocr", "html", "json"],
            value=["md"],
            label="Formatos de salida (elige al menos uno)"
        )
    ],
    outputs=[
        gr.Textbox(label="Estado del procesamiento", lines=12),
        gr.File(label="Descargar Markdown (.md)", visible=False),
        gr.File(label="Descargar ZIP completo", visible=False)
    ],
    title="Marker PDF",
    description="Convierte artículos científicos en Markdown, HTML o JSON. Reintenta automáticamente con OCR si es necesario.",
    flagging_mode="never"
)

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