app.py

import gradio as gr
import spacy
import pandas as pd
from docx import Document
from io import BytesIO
import tempfile
import os
import multiprocessing as mp
import psutil
import time
from datetime import datetime

# Cargar el modelo de SpaCy en español
nlp = spacy.load('zh_core_web_trf')

def get_system_status():
    cpu_usage = psutil.cpu_percent()
    memory = psutil.virtual_memory()
    return f"CPU: {cpu_usage}% | RAM: {memory.percent}% | Último update: {datetime.now().strftime('%H:%M:%S')}"

def extract_names_from_text(text):
    print(f'{len(text)}/n/n')
    doc = nlp(text)
    persons = [ent.text for ent in doc.ents if ent.label_ == 'PERSON']
    return persons

def split_text(text, max_length=100000):
    result = []
    current_chunk = []
    current_length = 0
    paragraphs = text.split('\n')

    for paragraph in paragraphs:
        paragraph_length = len(paragraph) + 1
        if current_length + paragraph_length <= max_length:
            current_chunk.append(paragraph)
            current_length += paragraph_length
        else:
            result.append('\n'.join(current_chunk))
            current_chunk = [paragraph]
            current_length = paragraph_length

    if current_chunk:
        result.append('\n'.join(current_chunk))

    return result

def extract_names_from_fragments(fragments):
    with mp.Pool(processes=4) as pool:
        results = pool.map(extract_names_from_text, fragments)
    return results

def extract_names_from_docx(docx_file, progress=gr.Progress()):
    # Inicializar variables de progreso
    progress(0, desc="Iniciando procesamiento...")
    
    # Cargar el archivo DOCX
    document = Document(docx_file)
    full_text = []
    for para in document.paragraphs:
        full_text.append(para.text)
    
    progress(0.2, desc="Documento cargado, preparando texto...")
    
    # Unir todo el texto
    text = ' '.join(full_text)
    
    # Dividir el texto en fragmentos
    text_fragments = split_text(text)
    progress(0.3, desc=f"Texto dividido en {len(text_fragments)} fragmentos...")
    
    # Extraer los nombres de cada fragmento en paralelo
    all_persons = []
    for i, fragment_results in enumerate(extract_names_from_fragments(text_fragments)):
        all_persons.extend(fragment_results)
        progress((0.3 + (0.5 * (i+1)/len(text_fragments))), 
                desc=f"Procesando fragmento {i+1} de {len(text_fragments)}...")
    
    # Eliminar duplicados
    all_persons = list(set(all_persons))
    progress(0.9, desc="Preparando resultados...")
    
    # Crear un DataFrame
    df = pd.DataFrame(all_persons, columns=['Nombres'])
    
    # Crear un archivo temporal para guardar el Excel
    temp_dir = tempfile.mkdtemp()
    temp_file_path = os.path.join(temp_dir, "nombres_personas.xlsx")
    
    # Guardar el DataFrame en un archivo Excel
    with pd.ExcelWriter(temp_file_path, engine='openpyxl') as writer:
        df.to_excel(writer, index=False)
    
    progress(1.0, desc="¡Procesamiento completado!")
    return temp_file_path

# Interfaz de Gradio
with gr.Blocks() as demo:
    gr.Markdown("# Extractor de Nombres")
    gr.Markdown("Sube un archivo .docx y extrae los nombres de las personas usando NLP con SpaCy.")
    
    # Componente de estado del sistema (keepalive)
    system_status = gr.Textbox(label="Estado del Sistema", value="Inicializando...")
    
    # Componentes principales
    file_input = gr.File(file_types=[".docx"])
    output_file = gr.File(label="Archivo de resultados")
    
    # Botón de proceso
    process_btn = gr.Button("Procesar Documento")
    process_btn.click(fn=extract_names_from_docx, inputs=file_input, outputs=output_file)
    
    # Actualización periódica del estado del sistema
    demo.load(get_system_status, None, system_status, every=5)

# Iniciar la aplicación
demo.launch()